論文の概要: Introducing instance label correlation in multiple instance learning.
Application to cancer detection on histopathological images
- arxiv url: http://arxiv.org/abs/2310.19359v1
- Date: Mon, 30 Oct 2023 08:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 21:12:00.089906
- Title: Introducing instance label correlation in multiple instance learning.
Application to cancer detection on histopathological images
- Title（参考訳）: 複数のインスタンス学習におけるインスタンスラベル相関の導入
病理組織像における癌検出への応用
- Authors: Pablo Morales-\'Alvarez, Arne Schmidt, Jos\'e Miguel
Hern\'andez-Lobato, Rafael Molina
- Abstract要約: 本研究では,VGPMIL-PRと呼ばれる最先端のGPベースのMIL法を拡張し,その相関性を利用する。
我々のモデルは、他の最先端確率的MIL法よりも優れた結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 5.895585247199983
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the last years, the weakly supervised paradigm of multiple instance
learning (MIL) has become very popular in many different areas. A paradigmatic
example is computational pathology, where the lack of patch-level labels for
whole-slide images prevents the application of supervised models. Probabilistic
MIL methods based on Gaussian Processes (GPs) have obtained promising results
due to their excellent uncertainty estimation capabilities. However, these are
general-purpose MIL methods that do not take into account one important fact:
in (histopathological) images, the labels of neighboring patches are expected
to be correlated. In this work, we extend a state-of-the-art GP-based MIL
method, which is called VGPMIL-PR, to exploit such correlation. To do so, we
develop a novel coupling term inspired by the statistical physics Ising model.
We use variational inference to estimate all the model parameters.
Interestingly, the VGPMIL-PR formulation is recovered when the weight that
regulates the strength of the Ising term vanishes. The performance of the
proposed method is assessed in two real-world problems of prostate cancer
detection. We show that our model achieves better results than other
state-of-the-art probabilistic MIL methods. We also provide different
visualizations and analysis to gain insights into the influence of the novel
Ising term. These insights are expected to facilitate the application of the
proposed model to other research areas.
- Abstract（参考訳）: 近年では,マルチインスタンス学習(mil)の弱い教師付きパラダイムが,さまざまな分野で広く普及している。
パラダイム的な例は計算病理学であり、全スライディング画像に対するパッチレベルのラベルの欠如は、教師付きモデルの適用を妨げる。
ガウス過程(GP)に基づく確率的MIL法は, 優れた不確実性推定能力により有望な結果を得た。
しかし、これらは1つの重要な事実を考慮しない汎用的MIL手法であり、(病理)画像では、近隣のパッチのラベルに相関が期待できる。
本研究では,VGPMIL-PRと呼ばれる最先端のGPベースのMIL法を拡張し,その相関性を利用する。
そこで我々は統計物理学イジングモデルに触発された新しい結合項を開発した。
すべてのモデルパラメータを推定するために変分推論を使用します。
興味深いことに、Ising項の強度を調節する重みがなくなると、VGPMIL-PRの定式化が回復する。
提案手法の性能は,前立腺癌検出の現実的な2つの問題において評価される。
我々のモデルは、他の最先端確率的MIL法よりも優れた結果が得られることを示す。
我々はまた、小説『Ising』の影響を洞察するために、異なる可視化と分析も提供する。
これらの知見は、提案されたモデルの他の研究分野への応用を促進することが期待されている。
関連論文リスト
- Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels [8.934328206473456]
病理組織像分割のための新しい蒸留フレームワークを提案する。
この枠組みは, 学生が教師の総合的な成果から直接学習できる, 反復的融合知識蒸留戦略を導入している。
論文 参考訳（メタデータ） (2024-07-14T17:15:47Z) - Hyperbolic Secant representation of the logistic function: Application to probabilistic Multiple Instance Learning for CT intracranial hemorrhage detection [0.0]
マルチ・インスタンス・ラーニング (MIL) は、様々な科学分野にうまく適用された弱い教師付きパラダイムである。
本稿では,Hyperbolic Secant以外の分布を単純に活用することで,異なる形状のGPベースのMIL法を提案する。
これは、合成MILデータセット1つ、よく知られたMILベンチマーク2つ、現実世界の医療問題を含む総合的な実験で検証されている。
論文 参考訳（メタデータ） (2024-03-21T20:43:34Z) - Model-Based Reparameterization Policy Gradient Methods: Theory and
Practical Algorithms [88.74308282658133]
Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。
近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。
本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
論文 参考訳（メタデータ） (2023-10-30T18:43:21Z) - Reproducibility in Multiple Instance Learning: A Case For Algorithmic
Unit Tests [59.623267208433255]
多重インスタンス学習(MIL)は、正と負のラベルと入力の「バグ」を持つ分類問題のサブドメインである。
本研究では,最も顕著な深層MILモデルの5つについて検討し,いずれも標準MILの仮定を尊重していないことを明らかにする。
提案した"アルゴリズムユニットテスト"によってこの問題を特定し,実証する。そこでは,MILを尊重するモデルによって解決可能な,合成データセットを作成する。
論文 参考訳（メタデータ） (2023-10-27T03:05:11Z) - Probabilistic Attention based on Gaussian Processes for Deep Multiple
Instance Learning [12.594098548008832]
本稿では,深いMILのためのガウス過程に基づく新しい確率的注意機構であるアテンションガウス過程(AGP)モデルを紹介する。
AGPは正確なバッグレベルの予測とインスタンスレベルの説明可能性を提供し、エンドツーエンドでトレーニングすることができる。
予測の不確実性は誤った予測のリスクと相関していることを実験的に示す。
論文 参考訳（メタデータ） (2023-02-08T13:58:11Z) - Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。
本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。
位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文 参考訳（メタデータ） (2022-06-22T07:00:39Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳（メタデータ） (2021-06-05T11:42:45Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - On MCMC for variationally sparse Gaussian processes: A pseudo-marginal
approach [0.76146285961466]
ガウス過程(GP)は、機械学習や統計学において強力なモデルを構築するために頻繁に用いられる。
本稿では,2重推定器による確率と大規模データセットの正確な推測と計算的ゲインを提供する擬似マージナル(PM)方式を提案する。
論文 参考訳（メタデータ） (2021-03-04T20:48:29Z) - Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。
提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
論文 参考訳（メタデータ） (2020-06-09T23:26:15Z)
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。