論文の概要: Topologically-Regularized Multiple Instance Learning for Red Blood Cell Disease Classification

• arxiv url: http://arxiv.org/abs/2307.14025v1
• Date: Wed, 26 Jul 2023 08:14:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 12:56:34.155549
• Title: Topologically-Regularized Multiple Instance Learning for Red Blood Cell Disease Classification
• Title（参考訳）: 赤血球疾患分類のためのトポロジカル・レギュラライズ・マルチインスタンス学習
• Authors: Salome Kazeminia, Ario Sadafi, Asya Makhro, Anna Bogdanova, Carsten Marr, Bastian Rieck
• Abstract要約: 顕微鏡画像を用いたまれな貧血障害の診断は、熟練した専門家や機械学習手法にも難しい。 単一赤血球画像からマルチスケールトポロジ的特徴を抽出するトポロジに基づくアプローチを開発した。 以上の結果から, トポロジカル正規化は, 希少性貧血疾患の自動分類における3%以上のパフォーマンス改善につながることが示唆された。
• 参考スコア（独自算出の注目度）: 7.323706635751351
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnosing rare anemia disorders using microscopic images is challenging for skilled specialists and machine-learning methods alike. Due to thousands of disease-relevant cells in a single blood sample, this constitutes a complex multiple-instance learning (MIL) problem. While the spatial neighborhood of red blood cells is not meaningful per se, the topology, i.e., the geometry of blood samples as a whole, contains informative features to remedy typical MIL issues, such as vanishing gradients and overfitting when training on limited data. We thus develop a topology-based approach that extracts multi-scale topological features from bags of single red blood cell images. The topological features are used to regularize the model, enforcing the preservation of characteristic topological properties of the data. Applied to a dataset of 71 patients suffering from rare anemia disorders with 521 microscopic images of red blood cells, our experiments show that topological regularization is an effective method that leads to more than 3% performance improvements for the automated classification of rare anemia disorders based on single-cell images. This is the first approach that uses topological properties for regularizing the MIL process.
• Abstract（参考訳）: 顕微鏡画像を用いたまれな貧血の診断は熟練の専門医や機械学習の手法では困難である。 単一の血液サンプルに数千の疾患関連細胞があるため、これは複雑な多重インスタンス学習(MIL)問題を構成する。 赤血球の空間的近傍は、それ自体は意味がないが、トポロジー、すなわち血液サンプル全体の幾何学は、限られたデータでトレーニングする際の勾配の消失や過度な適合などの典型的なMIL問題を治療するための情報的特徴を含む。 そこで我々は,単一赤血球画像の袋から多スケールなトポロジー特徴を抽出するトポロジーベースアプローチを開発した。 トポロジカルな特徴はモデルの正則化に使われ、データの特徴的なトポロジカル特性の保存を強制される。 521個の赤血球の顕微鏡像を有する稀貧血患者71例のデータセットに適用し, 単細胞画像に基づく異常貧血自動分類において, 局所的正規化が3%以上の性能向上に繋がる有効な方法であることを示した。 これは、MILプロセスの正則化に位相特性を使用する最初のアプローチである。

関連論文リスト

• Comparative Analysis of Diffusion Generative Models in Computational Pathology [11.698817924231854]
  拡散生成モデル(DGM)はコンピュータビジョンの分野における新たなトピックとして急速に浮上している。 本稿では,病的データセットに適用された拡散法について,詳細な比較分析を行った。 我々の分析は、様々な視野(FOV)を持つデータセットにまで拡張し、DGMが高品質な合成データを生成するのに非常に有効であることを明らかにした。
  論文  参考訳（メタデータ） (2024-11-24T05:09:43Z)
• Artificial Data Point Generation in Clustered Latent Space for Small Medical Datasets [4.542616945567623]
  本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。 AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。 顔の表情データを利用してパーキンソン病検診に応用した。
  論文  参考訳（メタデータ） (2024-09-26T09:51:08Z)
• Masked Autoencoders for Microscopy are Scalable Learners of Cellular Biology [2.7280901660033643]
  本研究は、弱教師付き分類器と自己教師付きマスク付きオートエンコーダ(MAE)のスケーリング特性について検討する。 以上の結果から,ViTをベースとしたMAEは,様々なタスクにおいて弱い教師付き分類器よりも優れており,公的なデータベースから得られた既知の生物学的関係を思い出すと,11.5%の相対的な改善が達成されることがわかった。 我々は、異なる数のチャネルと順序の画像を推論時に入力できる新しいチャネルに依存しないMAEアーキテクチャ(CA-MAE)を開発した。
  論文  参考訳（メタデータ） (2024-04-16T02:42:06Z)
• Reducing Intraspecies and Interspecies Covariate Shift in Traumatic Brain Injury EEG of Humans and Mice Using Transfer Euclidean Alignment [4.264615907591813]
  被験者間の高いばらつきは、現実世界の分類タスクのための機械学習モデルをデプロイすることに関して、大きな課題となる。 そのような場合、特定のデータセットで例外的なパフォーマンスを示す機械学習モデルは、同じタスクに対して異なるデータセットに適用した場合、必ずしも同様の習熟度を示すとは限らない。 本稿では,人間の生体医学的データの堅牢性に対処し,深層学習モデルの訓練を行うトランスファーユークリッドアライメントについて紹介する。
  論文  参考訳（メタデータ） (2023-10-03T19:48:02Z)
• Mixed-Integer Projections for Automated Data Correction of EMRs Improve Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
  本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。 我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。 AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
  論文  参考訳（メタデータ） (2023-08-21T15:14:49Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。