論文の概要: Two-stage Joint Transductive and Inductive learning for Nuclei Segmentation

• arxiv url: http://arxiv.org/abs/2311.08774v1
• Date: Wed, 15 Nov 2023 08:37:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-16 16:47:32.960395
• Title: Two-stage Joint Transductive and Inductive learning for Nuclei Segmentation
• Title（参考訳）: Nuclei Segmentation のための2段階共同学習と誘導学習
• Authors: Hesham Ali, Idriss Tondji, Mennatullah Siam
• Abstract要約: 我々は、利用可能なラベル付きおよび非ラベル付きデータを活用する、核分割に対する新しいアプローチを提案する。 提案手法の有効性と可能性を実証するために,MoNuSegベンチマークに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 3.138395828947902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-assisted nuclei segmentation in histopathological images is a crucial task in the diagnosis and treatment of cancer diseases. It decreases the time required to manually screen microscopic tissue images and can resolve the conflict between pathologists during diagnosis. Deep Learning has proven useful in such a task. However, lack of labeled data is a significant barrier for deep learning-based approaches. In this study, we propose a novel approach to nuclei segmentation that leverages the available labelled and unlabelled data. The proposed method combines the strengths of both transductive and inductive learning, which have been previously attempted separately, into a single framework. Inductive learning aims at approximating the general function and generalizing to unseen test data, while transductive learning has the potential of leveraging the unlabelled test data to improve the classification. To the best of our knowledge, this is the first study to propose such a hybrid approach for medical image segmentation. Moreover, we propose a novel two-stage transductive inference scheme. We evaluate our approach on MoNuSeg benchmark to demonstrate the efficacy and potential of our method.
• Abstract（参考訳）: 病理組織像におけるAIによる核分割は、癌疾患の診断と治療において重要な課題である。 手動による顕微鏡組織像のスクリーニングに必要な時間を短縮し、診断中の病理医間の衝突を解決することができる。 ディープラーニングはそのようなタスクで有効であることが証明されている。 しかし、ラベル付きデータの欠如は、ディープラーニングベースのアプローチにとって重要な障壁である。 本研究では, 利用可能なラベル付きおよび非ラベル付きデータを活用する, 核セグメンテーションへの新しいアプローチを提案する。 提案手法は,従来個別に試みてきたトランスダクティブ学習とインダクティブ学習の両方の強みを1つの枠組みに統合するものである。 インダクティブ・ラーニングは、一般関数を近似し、未発見のテストデータに一般化することを目的としているが、トランスダクティブ・ラーニングは、ラベルなしのテストデータを利用して分類を改善する可能性を秘めている。 本研究は, 医用画像セグメンテーションのためのハイブリッドアプローチを提案する最初の研究である。 さらに, 新たな2段階トランスダクティブ推論スキームを提案する。 提案手法の有効性と可能性を実証するために,MoNuSegベンチマークに対するアプローチを評価した。

関連論文リスト

• DS-ViT: Dual-Stream Vision Transformer for Cross-Task Distillation in Alzheimer's Early Diagnosis [20.178933135186618]
  クロスタスクとクロスアーキテクチャの知識共有を容易にするデュアルストリームパイプラインを提案する。 提案手法では,特徴表現をセグメンテーションと分類モデルから統一するデュアルストリーム埋め込みモジュールを提案する。 アルツハイマー病診断のための複数の3次元データセットを用いて本手法の有効性を検証し,分類性能に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-09-11T19:31:01Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A Novel Collaborative Self-Supervised Learning Method for Radiomic Data [3.5213632537596604]
  本稿では,ラベル付き無線データ不足の課題を解決するための,新しい自己教師型学習手法を提案する。 提案手法は, 放射線データから頑健な潜在特徴表現を自己指導的に学習し, 人間のアノテーションの取り組みを減らした。
  論文  参考訳（メタデータ） (2023-02-20T07:15:28Z)
• Cut-Paste Consistency Learning for Semi-Supervised Lesion Segmentation [0.20305676256390934]
  半教師付き学習は、深層ニューラルネットワークを訓練する際のデータ効率を改善する可能性がある。 本稿では,切削ペースト増分法と整合性正規化の考え方を基礎として,簡易な半教師付き学習法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T04:43:54Z)
• 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)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• 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)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Mitosis Detection Under Limited Annotation: A Joint Learning Approach [5.117836409118142]
  深層学習に基づく有糸分裂検出は病理学者と同等であるが、トレーニングには大きなラベル付きデータが必要である。 そこで本研究では,距離距離メトリック学習を用いて,軟弱損失によるクラスラベル情報とサンプル間の空間分布情報を活用することで,ミトーシス検出の深層分類フレームワークを提案する。 本フレームワークは,トレーニングデータ全体の使用方法と比較して,少ないトレーニングデータによる検出を著しく改善し,同等あるいは優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-06-17T10:46:29Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。