論文の概要: Assessing and Enhancing Robustness of Deep Learning Models with
Corruption Emulation in Digital Pathology
- arxiv url: http://arxiv.org/abs/2310.20427v1
- Date: Tue, 31 Oct 2023 12:59:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 15:06:59.202301
- Title: Assessing and Enhancing Robustness of Deep Learning Models with
Corruption Emulation in Digital Pathology
- Title（参考訳）: デジタル病理学における腐敗エミュレーションを伴う深層学習モデルのロバスト性の評価と強化
- Authors: Peixiang Huang, Songtao Zhang, Yulu Gan, Rui Xu, Rongqi Zhu, Wenkang
Qin, Limei Guo, Shan Jiang, Lin Luo
- Abstract要約: 我々は,病的ライフサイクル全体にわたるフルスタック汚職の物理的原因を分析した。
我々は3つのOmniCE崩壊ベンチマークデータセットをパッチレベルとスライドレベルの両方で構築する。
我々は,OmniCEの崩壊したデータセットをトレーニングや実験のために拡張データとして利用し,モデルの一般化能力が大幅に向上したことを確かめる。
- 参考スコア（独自算出の注目度）: 9.850335454350367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning in digital pathology brings intelligence and automation as
substantial enhancements to pathological analysis, the gold standard of
clinical diagnosis. However, multiple steps from tissue preparation to slide
imaging introduce various image corruptions, making it difficult for deep
neural network (DNN) models to achieve stable diagnostic results for clinical
use. In order to assess and further enhance the robustness of the models, we
analyze the physical causes of the full-stack corruptions throughout the
pathological life-cycle and propose an Omni-Corruption Emulation (OmniCE)
method to reproduce 21 types of corruptions quantified with 5-level severity.
We then construct three OmniCE-corrupted benchmark datasets at both patch level
and slide level and assess the robustness of popular DNNs in classification and
segmentation tasks. Further, we explore to use the OmniCE-corrupted datasets as
augmentation data for training and experiments to verify that the
generalization ability of the models has been significantly enhanced.
- Abstract（参考訳）: デジタル病理学におけるディープラーニングは、臨床診断の黄金標準である病理分析の大幅な強化として、インテリジェンスとオートメーションをもたらす。
しかし, 組織調製からスライド画像への複数のステップは, 様々な画像劣化を引き起こすため, ディープニューラルネットワーク(DNN)モデルでは臨床応用のための安定した診断結果が得られにくい。
モデルのロバスト性を評価し,さらに強化するために,病的ライフサイクル全体にわたるフルスタック腐敗の物理的原因を分析し,21種類の腐敗を5レベル重大度で再現する全腐敗エミュレーション(omnice)法を提案する。
次に、パッチレベルとスライドレベルの両方で3つのOmniCE崩壊ベンチマークデータセットを構築し、分類とセグメンテーションタスクにおいて人気のあるDNNの堅牢性を評価する。
さらに,omniceによるデータセットをトレーニングや実験のための拡張データとして利用し,モデルの一般化能力が大幅に向上したことを確認した。
関連論文リスト
- Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。
重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。
また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
論文 参考訳（メタデータ） (2024-06-10T15:34:23Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - Beyond Multiple Instance Learning: Full Resolution All-In-Memory End-To-End Pathology Slide Modeling [1.063200750366449]
本稿では,タイルエンコーダとスライドアグリゲータを完全メモリで,エンド・ツー・エンドを高解像度で共同で学習する手法を提案する。
計算コストは高いが、詳細な定量的検証は、病理基盤モデルの大規模事前学習と微調整を約束することを示している。
論文 参考訳（メタデータ） (2024-03-07T19:28:58Z) - Detection and Classification of Diabetic Retinopathy using Deep Learning
Algorithms for Segmentation to Facilitate Referral Recommendation for Test
and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。
提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。
Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-01-05T11:19:24Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - A Robust Ensemble Model for Patasitic Egg Detection and Classification [9.449507409551842]
腸内寄生虫感染症は、世界中で致死性の主要な原因となっているが、それでも時間節約、高感度、ユーザフレンドリーな検査方法が欠如している。
本稿では,顕微鏡画像中の寄生卵を自動的に識別するために,YOLOv5や変種カスケードRCNNなどの物体検出器を適用した。
論文 参考訳（メタデータ） (2022-07-04T13:53:46Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。