論文の概要: Domain Generalization in Computational Pathology: Survey and Guidelines
- arxiv url: http://arxiv.org/abs/2310.19656v1
- Date: Mon, 30 Oct 2023 15:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:32:18.426622
- Title: Domain Generalization in Computational Pathology: Survey and Guidelines
- Title（参考訳）: 計算病理学におけるドメイン一般化:調査とガイドライン
- Authors: Mostafa Jahanifar, Manahil Raza, Kesi Xu, Trinh Vuong, Rob Jewsbury,
Adam Shephard, Neda Zamanitajeddin, Jin Tae Kwak, Shan E Ahmed Raza, Fayyaz
Minhas, Nasir Rajpoot
- Abstract要約: アウト・オブ・ディストリビューション(out-of-distribution)データは、Emph domain shift(DS)を引き起こす。
DSはトレーニングされたモデルの一般化をわずかに異なるデータ分布を持つ未知のデータセットに還元する。
複雑なDG問題に対処するため,28個の最先端DGアルゴリズムを用いて徹底的なベンチマーク実験を行った。
- 参考スコア（独自算出の注目度）: 2.790591243289254
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have exhibited exceptional effectiveness in
Computational Pathology (CPath) by tackling intricate tasks across an array of
histology image analysis applications. Nevertheless, the presence of
out-of-distribution data (stemming from a multitude of sources such as
disparate imaging devices and diverse tissue preparation methods) can cause
\emph{domain shift} (DS). DS decreases the generalization of trained models to
unseen datasets with slightly different data distributions, prompting the need
for innovative \emph{domain generalization} (DG) solutions. Recognizing the
potential of DG methods to significantly influence diagnostic and prognostic
models in cancer studies and clinical practice, we present this survey along
with guidelines on achieving DG in CPath. We rigorously define various DS
types, systematically review and categorize existing DG approaches and
resources in CPath, and provide insights into their advantages, limitations,
and applicability. We also conduct thorough benchmarking experiments with 28
cutting-edge DG algorithms to address a complex DG problem. Our findings
suggest that careful experiment design and CPath-specific Stain Augmentation
technique can be very effective. However, there is no one-size-fits-all
solution for DG in CPath. Therefore, we establish clear guidelines for
detecting and managing DS depending on different scenarios. While most of the
concepts, guidelines, and recommendations are given for applications in CPath,
we believe that they are applicable to most medical image analysis tasks as
well.
- Abstract（参考訳）: 深層学習モデルは、様々な組織像解析アプリケーションにまたがる複雑なタスクに取り組むことにより、計算病理学(CPath)において例外的な効果を示した。
それでも、分布外データ(異種イメージング装置や様々な組織調製方法など、様々なソースから推定される)の存在は、 \emph{ domain shift} (DS) を引き起こす可能性がある。
DSは、訓練されたモデルの一般化をわずかに異なるデータ分布を持つ未知のデータセットに還元し、革新的な 'emph{ domain generalization} (DG) ソリューションの必要性を喚起する。
本研究は,癌研究および臨床実習における診断・予後モデルに大きな影響を与えるDG法の可能性を認識し,CPathにおけるDGの達成に関するガイドラインとともに報告する。
我々は、様々なDSタイプを厳格に定義し、CPathの既存のDGアプローチとリソースを体系的にレビューし、分類し、それらの利点、制限、適用可能性に関する洞察を提供する。
また,28個の最先端DGアルゴリズムを用いて,複雑なDG問題に対処するためのベンチマーク実験を行った。
以上の結果から, CPath特異的なステント拡張技術と注意深い実験設計が有効である可能性が示唆された。
しかし、CPath では DG のすべてに適合するソリューションは存在しない。
そこで我々は,異なるシナリオに応じてDSの検出と管理を行うための明確なガイドラインを確立する。
コンセプト、ガイドライン、レコメンデーションのほとんどはcpathのアプリケーションで提供されていますが、ほとんどの医療画像分析タスクにも適用できると考えています。
関連論文リスト
- Benchmarking Domain Generalization Algorithms in Computational Pathology [1.0401006444780359]
本研究の目的は,3つのCPathタスクに対する30のDGアルゴリズムの有効性を,7,560回のクロスバリデーション実行を通じて評価することである。
我々はこれらのアルゴリズムを統一的で堅牢なプラットフォームを用いて評価し、モダリティ固有の技術と、事前訓練された基礎モデルのような最近の進歩を取り入れた。
自己教師型学習とステンド増強が他の手法より一貫して優れており、事前訓練されたモデルやデータ拡張の可能性を強調している。
論文 参考訳（メタデータ） (2024-09-25T16:21:43Z) - Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。
ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
論文 参考訳（メタデータ） (2024-09-16T03:05:11Z) - PathoWAve: A Deep Learning-based Weight Averaging Method for Improving Domain Generalization in Histopathology Images [13.362177469092963]
病理画像解析における領域シフト現象に対処するために,病理量平均化(PathoWAve)を導入する。
The results on Camelyon17 WILDS dataset shows PathoWAve's superiority than previous proposed method。
論文 参考訳（メタデータ） (2024-06-21T23:25:44Z) - Exploring the Transfer Learning Capabilities of CLIP in Domain
Generalization for Diabetic Retinopathy [7.649900082537232]
クロスドメインの一般化は医療分野において難しい問題である。
近年の研究では,自然画像におけるDG問題に対するCLIPの有効性が示されている。
本研究では,糖尿病網膜症(DR)分類におけるCLIPの伝達学習能力とそのドメイン間一般化の可能性について検討した。
論文 参考訳（メタデータ） (2023-08-27T22:02:41Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - Computational Pathology: A Survey Review and The Way Forward [35.29627164279813]
計算病理学 CPath (Computational Pathology CPath) は、医学的な病理像を分析し、モデル化するための計算手法の開発を強化する学際的な科学である。
CPathの主な目的は,臨床病理の補助的CADシステムとして,デジタル診断の基盤とビジョンを開発することである。
論文 参考訳（メタデータ） (2023-04-11T20:28:33Z) - Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。
本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。
ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
論文 参考訳（メタデータ） (2021-12-03T14:23:05Z) - Semantic annotation for computational pathology: Multidisciplinary
experience and best practice recommendations [5.686120367085792]
CPath(Computational Pathology)は、スライド画像全体に埋め込まれた情報を利用する統合的なソリューションを提供する。
WSIの自動分析と機械学習(ML)モデルの検証には、スライドでのアノテーション、組織、細胞レベルが必要である。
CPathプロジェクトにおけるアノテーションの重要な役割にもかかわらず、アノテーションの実施方法に関する明確なガイドラインやベストプラクティスは存在しない。
論文 参考訳（メタデータ） (2021-06-25T15:15:17Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳（メタデータ） (2021-02-26T17:49:58Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z)
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。