Fugu-MT 論文翻訳(概要): Adaptive Region Selection for Active Learning in Whole Slide Image Semantic Segmentation

論文の概要: Adaptive Region Selection for Active Learning in Whole Slide Image Semantic Segmentation

arxiv url: http://arxiv.org/abs/2307.07168v1
Date: Fri, 14 Jul 2023 05:34:13 GMT
ステータス: 処理完了
システム内更新日: 2023-07-17 14:51:48.387021
Title: Adaptive Region Selection for Active Learning in Whole Slide Image Semantic Segmentation
Title（参考訳）: 全スライド画像セマンティクスセグメンテーションにおけるアクティブラーニングのための適応領域選択
Authors: Jingna Qiu, Frauke Wilm, Mathias \"Ottl, Maja Schlereth, Chang Liu, Tobias Heimann, Marc Aubreville, and Katharina Breininger
Abstract要約: リージョンベースアクティブラーニング(AL)では、限られた数の注釈付き画像領域でモデルをトレーニングする。本稿では,このALハイパーパラメータに依存しないアノテーション領域を適応的に選択する手法を提案する。 CAMELYON16データセットを用いた乳癌セグメンテーションの課題を用いて本手法の評価を行った。
参考スコア（独自算出の注目度）: 3.1392713791311766
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The process of annotating histological gigapixel-sized whole slide images (WSIs) at the pixel level for the purpose of training a supervised segmentation model is time-consuming. Region-based active learning (AL) involves training the model on a limited number of annotated image regions instead of requesting annotations of the entire images. These annotation regions are iteratively selected, with the goal of optimizing model performance while minimizing the annotated area. The standard method for region selection evaluates the informativeness of all square regions of a specified size and then selects a specific quantity of the most informative regions. We find that the efficiency of this method highly depends on the choice of AL step size (i.e., the combination of region size and the number of selected regions per WSI), and a suboptimal AL step size can result in redundant annotation requests or inflated computation costs. This paper introduces a novel technique for selecting annotation regions adaptively, mitigating the reliance on this AL hyperparameter. Specifically, we dynamically determine each region by first identifying an informative area and then detecting its optimal bounding box, as opposed to selecting regions of a uniform predefined shape and size as in the standard method. We evaluate our method using the task of breast cancer metastases segmentation on the public CAMELYON16 dataset and show that it consistently achieves higher sampling efficiency than the standard method across various AL step sizes. With only 2.6\% of tissue area annotated, we achieve full annotation performance and thereby substantially reduce the costs of annotating a WSI dataset. The source code is available at https://github.com/DeepMicroscopy/AdaptiveRegionSelection.
Abstract（参考訳）: 教師付きセグメンテーションモデルのトレーニングを目的とした,組織学的ギガピクセルサイズ全スライド画像(wsis)を画素レベルでアノテートするプロセスは,時間を要する。領域ベースアクティブラーニング(AL)では、画像全体のアノテーションを要求する代わりに、限られた数の注釈付き画像領域でモデルをトレーニングする。アノテーション領域は反復的に選択され、アノテーション領域を最小限に抑えながらモデル性能を最適化する。領域選択の標準方法は、所定のサイズのすべての平方領域の情報量を評価し、最も情報量の多い領域の特定量を選択する。本手法の効率は、alステップサイズ(すなわち、領域サイズとwsiごとの選択された領域数の組み合わせ)の選択に大きく依存しており、alステップのサブ最適サイズは、冗長なアノテーション要求または膨らんだ計算コストをもたらす可能性がある。本稿では,このALハイパーパラメータに依存するアノテーション領域を適応的に選択する手法を提案する。具体的には,まず情報領域を特定し,次にその最適境界ボックスを検出することで各領域を動的に決定する。 CAMELYON16データセットの乳がん転移セグメンテーションのタスクを用いて本手法の評価を行い,各種ALステップサイズの標準手法よりも高いサンプリング効率が得られることを示す。組織領域の2.6\%のみをアノテートすることで、完全なアノテーション性能を実現し、wsiデータセットにアノテートするコストを大幅に削減します。ソースコードはhttps://github.com/DeepMicroscopy/AdaptiveRegionSelectionで入手できる。

関連論文リスト

Leveraging image captions for selective whole slide image annotation [0.37334049820361814]
本稿では,モデルトレーニングを最適化する特定の画像領域の同定とアノテーションについて述べる。プロトタイプサンプリングは、価値あるトレーニング情報を持つアノテーション領域を特定する際に、ランダムサンプリングや多様性サンプリングよりも効果的である。本結果より, アノテーション領域の同定において, プロトタイプサンプリングの方が, ランダムサンプリングや多様性サンプリングよりも有効であることが示唆された。
論文参考訳（メタデータ） (2024-07-08T20:05:21Z)
Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
論文参考訳（メタデータ） (2024-02-14T13:30:02Z)
Towards Free Data Selection with General-Purpose Models [71.92151210413374]
望ましいデータ選択アルゴリズムは、限られたアノテーション予算の有用性を最大化するために、最も情報性の高いサンプルを効率的に選択することができる。アクティブな学習手法で表現された現在のアプローチは、通常、時間を要するモデルのトレーニングとバッチデータ選択を繰り返し繰り返す、面倒なパイプラインに従う。 FreeSelは重いバッチ選択プロセスをバイパスし、効率を大幅に改善し、既存のアクティブラーニングメソッドよりも530倍高速である。
論文参考訳（メタデータ） (2023-09-29T15:50:14Z)
Region-Aware Metric Learning for Open World Semantic Segmentation via Meta-Channel Aggregation [19.584457251137252]
領域認識メトリックラーニング(RAML)という手法を提案する。 RAMLは画像の領域を分離し、さらなるメトリック学習のための領域認識機能を生成する。提案したRAMLは,オープンワールドセグメンテーションの両段階においてSOTA性能を実現する。
論文参考訳（メタデータ） (2022-05-17T04:12:47Z)
Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection [54.24966006457756]
自己知識蒸留ネットワーク(SLV-SDネット)を用いたWSODフレームワークを提案する。 SLV-SD Netは、境界ボックスアノテーションなしで領域提案のローカライゼーションを収束させる。 PASCAL VOC 2007/2012およびMS-COCOデータセットの実験は、SLV-SD Netの優れた性能を示している。
論文参考訳（メタデータ） (2022-04-14T11:56:19Z)
Semantic Segmentation by Early Region Proxy [53.594035639400616]
本稿では,学習可能な領域のテッセルレーションとしてイメージを解釈することから始まる,新規で効率的なモデリングについて述べる。領域のコンテキストをモデル化するために,Transformerを用いてシーケンス・ツー・シーケンス方式で領域を符号化する。現在、符号化された領域埋め込みの上に、領域ごとのセマンティックセグメンテーションを行う。
論文参考訳（メタデータ） (2022-03-26T10:48:32Z)
Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文参考訳（メタデータ） (2022-02-21T15:30:14Z)
BoundaryNet: An Attentive Deep Network with Fast Marching Distance Maps for Semi-automatic Layout Annotation [10.990447273771592]
BoundaryNetは、高精度なセミオートマチックレイアウトアノテーションのための新しいリサイズフリーアプローチである。挑戦的なイメージ原稿データセットの結果は、BoundaryNetが強力なベースラインを上回っていることを示している。
論文参考訳（メタデータ） (2021-08-21T04:24:00Z)
An End-to-End Breast Tumour Classification Model Using Context-Based Patch Modelling- A BiLSTM Approach for Image Classification [19.594639581421422]
我々は, この関係を, 特定の腫瘍領域から抽出したパッチ間の特徴に基づく相関関係と統合しようと試みている。我々は、顕微鏡画像とWSI腫瘍領域の2つのデータセットでモデルをトレーニングし、テストした。 CNN機能付きBiLSTMは、パッチをエンドツーエンドの画像分類ネットワークにモデル化する上で、はるかに優れた性能を示した。
論文参考訳（メタデータ） (2021-06-05T10:43:58Z)
Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
論文参考訳（メタデータ） (2020-03-29T15:01:05Z)
Reinforced active learning for image segmentation [34.096237671643145]
深部強化学習(RL)に基づく意味的セグメンテーションのための新しいアクティブラーニング戦略を提案する。エージェントは、ラベルなしデータのプールからラベル付けされる小さな情報領域(画像全体とは対照的に)のサブセットを選択するポリシーを学ぶ。本手法では, 意味的セグメンテーション問題の大規模性質に適応して, 能動的学習のための深部Q-network (DQN) の定式化を新たに提案する。
論文参考訳（メタデータ） (2020-02-16T14:03:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。