論文の概要: CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification

• arxiv url: http://arxiv.org/abs/2312.06978v2
• Date: Wed, 13 Dec 2023 09:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 12:30:25.983689
• Title: CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification
• Title（参考訳）: CLASS-M: 組織像分類のための擬似ラベルを用いた適応的染色分離に基づくコントラスト学習
• Authors: Bodong Zhang, Hamid Manoochehri, Man Minh Ho, Fahimeh Fooladgar, Yosep Chong, Beatrice S. Knudsen, Deepika Sirohi, Tolga Tasdizen
• Abstract要約: 我々は新しいモデルであるContrastive Learning with Adaptive Stain separation and MixUp (CLASS-M) と呼ぶ。 本モデルは,分離したヘマトキシリン画像とエオシン画像との対比学習と,MixUpを用いた擬似ラベリングの2つの主要部分から構成される。 我々はCLASS-Mモデルが両方のデータセット上で最高の性能を持つことを示す。
• 参考スコア（独自算出の注目度）: 2.041705849551037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histopathological image classification is one of the critical aspects in medical image analysis. Due to the high expense associated with the labeled data in model training, semi-supervised learning methods have been proposed to alleviate the need of extensively labeled datasets. In this work, we propose a model for semi-supervised classification tasks on digital histopathological Hematoxylin and Eosin (H&E) images. We call the new model Contrastive Learning with Adaptive Stain Separation and MixUp (CLASS-M). Our model is formed by two main parts: contrastive learning between adaptively stain separated Hematoxylin images and Eosin images, and pseudo-labeling using MixUp. We compare our model with other state-of-the-art models on clear cell renal cell carcinoma (ccRCC) datasets from our institution and The Cancer Genome Atlas Program (TCGA). We demonstrate that our CLASS-M model has the best performance on both datasets. The contributions of different parts in our model are also analyzed.
• Abstract（参考訳）: 病理組織学的画像分類は医用画像解析における重要な側面の一つである。 モデルトレーニングにおけるラベル付きデータに関連するコストが高いため、広範囲にラベル付きデータセットの必要性を軽減するために、半教師付き学習手法が提案されている。 本研究では,デジタル病理組織学的ヘマトキシリンおよびエオシン(H&E)画像に基づく半教師付き分類タスクのモデルを提案する。 我々は新しいモデルContrastive Learning with Adaptive Stain Separation and MixUp (CLASS-M) と呼ぶ。 本モデルは,分離したヘマトキシリン画像とエオシン画像との対比学習と,MixUpを用いた擬似ラベリングの2つの主要部分から構成される。 当院のclear cell renal cell carcinoma (ccrcc) データセットと癌ゲノムアトラスプログラム (tcga) の他モデルとの比較を行った。 我々はCLASS-Mモデルが両方のデータセット上で最高の性能を持つことを示す。 モデルにおけるさまざまな部分の貢献も分析されます。

関連論文リスト

• Multi-Granularity Denoising and Bidirectional Alignment for Weakly Supervised Semantic Segmentation [75.32213865436442]
  本稿では,雑音ラベルと多クラス一般化問題を緩和するために,MDBAモデルを提案する。 MDBAモデルはPASCAL VOC 2012データセットの検証とテストセットにおいて69.5%と70.2%のmIoUに達することができる。
  論文  参考訳（メタデータ） (2023-05-09T03:33:43Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Weakly-supervised segmentation using inherently-explainable classification models and their application to brain tumour classification [0.46873264197900916]
  本稿では,これら2つの問題に1つとして対処するために,本質的に説明可能な3つの分類法を提案する。 モデルは2つの異なるデータセットを用いたマルチクラス脳腫瘍分類のタスクに採用された。 得られた腫瘍のみの画像のサブセットの精度は、最先端のグリオーマ腫瘍グレーディングバイナリ分類器を98.7%の精度で上回った。
  論文  参考訳（メタデータ） (2022-06-10T14:44:05Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)
• MisMatch: Calibrated Segmentation via Consistency on Differential Morphological Feature Perturbations with Limited Labels [5.500466607182699]
  半教師付き学習は、医用画像におけるラベル不足の問題に対処する上で有望なパラダイムである。 MisMatchは、ペアの予測間の一貫性に基づいた半教師付きセグメンテーションフレームワークである。
  論文  参考訳（メタデータ） (2021-10-23T09:22:41Z)
• Multi-Layer Pseudo-Supervision for Histopathology Tissue Semantic Segmentation using Patch-level Classification Labels [26.349051136954195]
  本稿では,病理組織像の組織的セグメンテーションを実現するために,パッチレベルの分類ラベルのみを用いる。 画素レベルのアノテーションとパッチレベルのアノテーションの間の情報ギャップを減らすために、いくつかの技術革新が提案されている。 提案手法は, 最先端の2つのWSSS手法より優れている。
  論文  参考訳（メタデータ） (2021-10-14T08:02:07Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised Framework for Medical Image Classification [0.0]
  ラベルが限られている場合、医療画像データセットを分類する問題を考える。 半教師付き学習を用いることで、ラベル付きデータの量を大幅に削減して正確な分類を行うことができる。 本稿では,グラフに基づくアプローチに着目した,深い半教師付き分類のためのオールインワンフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T19:18:21Z)

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。