論文の概要: Nucleus-aware Self-supervised Pretraining Using Unpaired Image-to-image
Translation for Histopathology Images
- arxiv url: http://arxiv.org/abs/2309.07394v1
- Date: Thu, 14 Sep 2023 02:31:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 16:28:10.822819
- Title: Nucleus-aware Self-supervised Pretraining Using Unpaired Image-to-image
Translation for Histopathology Images
- Title（参考訳）: 病理画像の非対像変換を用いた核認識型自己教師付き事前学習
- Authors: Zhiyun Song, Penghui Du, Junpeng Yan, Kailu Li, Jianzhong Shou, Maode
Lai, Yubo Fan, Yan Xu
- Abstract要約: 病理組織像のための新しい核認識型自己教師型プレトレーニングフレームワークを提案する。
このフレームワークは、未ペア画像から画像への変換によって核形態や分布情報を捉えることを目的としている。
7つのデータセットに対する実験により,提案手法は,Kather分類,複数インスタンス学習,および5つの高密度予測タスクにおいて,教師付き手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 3.8391355786589805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised pretraining attempts to enhance model performance by
obtaining effective features from unlabeled data, and has demonstrated its
effectiveness in the field of histopathology images. Despite its success, few
works concentrate on the extraction of nucleus-level information, which is
essential for pathologic analysis. In this work, we propose a novel
nucleus-aware self-supervised pretraining framework for histopathology images.
The framework aims to capture the nuclear morphology and distribution
information through unpaired image-to-image translation between histopathology
images and pseudo mask images. The generation process is modulated by both
conditional and stochastic style representations, ensuring the reality and
diversity of the generated histopathology images for pretraining. Further, an
instance segmentation guided strategy is employed to capture instance-level
information. The experiments on 7 datasets show that the proposed pretraining
method outperforms supervised ones on Kather classification, multiple instance
learning, and 5 dense-prediction tasks with the transfer learning protocol, and
yields superior results than other self-supervised approaches on 8
semi-supervised tasks. Our project is publicly available at
https://github.com/zhiyuns/UNITPathSSL.
- Abstract（参考訳）: ラベルなしデータから効果的な特徴を得ることでモデル性能を向上させる自己教師付き事前訓練の試みを行い,病理組織像の分野における効果を実証した。
その成功にもかかわらず、病理分析に不可欠な核レベルの情報の抽出に集中する研究は少ない。
本研究では,病理組織像のための新しい核認識型自己教師型プレトレーニングフレームワークを提案する。
本フレームワークは, 病理像と疑似マスク画像の非対面画像変換により, 核形態や分布情報を捉えることを目的とする。
生成過程は条件式と確率型の両方の表現によって変調され、生成した病理像の現実性と多様性が保証される。
さらに、インスタンスレベルの情報をキャプチャするために、インスタンスセグメンテーションガイドストラテジーが使用される。
7つのデータセットに対する実験により,提案手法は,Kather分類,複数インスタンス学習,および5つの高密度予測タスクにおいて,教師付きタスクよりも優れ,半教師付きタスクにおける他の自己教師型手法よりも優れた結果が得られることが示された。
私たちのプロジェクトはhttps://github.com/zhiyuns/UNITPathSSLで公開されています。
関連論文リスト
- Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳（メタデータ） (2023-09-19T16:08:33Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Uncertainty guided semi-supervised segmentation of retinal layers in OCT
images [4.046207281399144]
セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。
提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
論文 参考訳（メタデータ） (2021-03-02T23:14:25Z) - Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。
非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。
本手法は腺および核データセット上で評価される。
論文 参考訳（メタデータ） (2020-12-17T02:54:19Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - Learning Representations by Predicting Bags of Visual Words [55.332200948110895]
自己教師付き表現学習ターゲットは、ラベルなしデータから畳み込みに基づく画像表現を学習する。
この分野におけるNLP手法の成功に触発された本研究では,空間的に高密度な画像記述に基づく自己教師型アプローチを提案する。
論文 参考訳（メタデータ） (2020-02-27T16:45:25Z)
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。