論文の概要: Switched auxiliary loss for robust training of transformer models for
histopathological image segmentation
- arxiv url: http://arxiv.org/abs/2308.10994v1
- Date: Mon, 21 Aug 2023 19:20:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 14:16:32.770252
- Title: Switched auxiliary loss for robust training of transformer models for
histopathological image segmentation
- Title(参考訳): 組織像分割のためのトランスモデルのロバストトレーニングのための切替補助損失
- Authors: Mustaffa Hussain, Saharsh Barve
- Abstract要約: 我々は,HuBMAP+HPA-Hacking the Human Body competitionデータセットを利用して,5臓器に複数臓器のFTUを分割するモデルを開発した。
提案モデルでは,公開データセットで0.793,プライベートデータセットで0.778,提案手法で1%改善した。
- 参考スコア(独自算出の注目度): 0.07143413923310668
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Functional tissue Units (FTUs) are cell population neighborhoods local to a
particular organ performing its main function. The FTUs provide crucial
information to the pathologist in understanding the disease affecting a
particular organ by providing information at the cellular level. In our
research, we have developed a model to segment multi-organ FTUs across 5 organs
namely: the kidney, large intestine, lung, prostate and spleen by utilizing the
HuBMAP + HPA - Hacking the Human Body competition dataset. We propose adding
shifted auxiliary loss for training models like the transformers to overcome
the diminishing gradient problem which poses a challenge towards optimal
training of deep models. Overall, our model achieved a dice score of 0.793 on
the public dataset and 0.778 on the private dataset and shows a 1% improvement
with the use of the proposed method. The findings also bolster the use of
transformers models for dense prediction tasks in the field of medical image
analysis. The study assists in understanding the relationships between cell and
tissue organization thereby providing a useful medium to look at the impact of
cellular functions on human health.
- Abstract(参考訳): 機能組織単位(英: functional tissue unit、ftus)は、特定の臓器に局在する細胞集団である。
FTUは、細胞レベルで情報を提供することで、特定の臓器に影響を及ぼす疾患を理解する上で、病理学者に重要な情報を提供する。
本研究では,HBMAP+HPA-Hacking the Human Body competitionデータセットを用いて,腎臓,大腸,肺,前立腺,脾臓の5臓器に複数臓器のFTUを分割するモデルを開発した。
深層モデルの最適学習に向けた課題となる勾配問題の解消のために,トランスフォーマなどのトレーニングモデルにシフト補助損失を追加することを提案する。
全体として,公開データセットでは0.793点,プライベートデータセットでは0.778点,提案手法では1%改善した。
また, 医用画像解析の分野における密集した予測タスクに対するトランスフォーマーモデルの利用も強化された。
この研究は、細胞と組織組織との関係を理解するのに役立ち、細胞機能のヒトの健康への影響を調べるための有用な媒体を提供する。
関連論文リスト
- Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - HST-MRF: Heterogeneous Swin Transformer with Multi-Receptive Field for
Medical Image Segmentation [5.51045524851432]
医用画像セグメンテーションのためのHST-MRFモデルを提案する。
主な目的は、トランスを用いたパッチセグメンテーションによる構造情報の損失を解決することである。
実験の結果,提案手法は最先端モデルよりも優れ,優れた性能が得られることがわかった。
論文 参考訳(メタデータ) (2023-04-10T14:30:03Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳(メタデータ) (2023-03-23T08:57:11Z) - Unsupervised Domain Adaptation through Shape Modeling for Medical Image
Segmentation [23.045760366698634]
医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。
従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。
本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
論文 参考訳(メタデータ) (2022-07-06T09:16:42Z) - Transformer Lesion Tracker [12.066026343488453]
我々はTransformer Lesion Tracker(TLT)と呼ばれるトランスフォーマーベースのアプローチを提案する。
我々はCAT(Cross Attention-based Transformer)を設計し、グローバル情報とローカル情報の両方を取り込み、特徴抽出を強化する。
我々は,提案手法の優位性を示すために,公開データセット上で実験を行い,モデルの性能が平均ユークリッド中心誤差を少なくとも14.3%改善したことを確認した。
論文 参考訳(メタデータ) (2022-06-13T15:35:24Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Cell abundance aware deep learning for cell detection on highly
imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。
モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。
その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文 参考訳(メタデータ) (2021-02-23T13:07:52Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳(メタデータ) (2020-08-20T01:50:49Z)
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。