論文の概要: Supervised Contrastive Learning for Fine-grained Chromosome Recognition

• arxiv url: http://arxiv.org/abs/2312.07623v1
• Date: Tue, 12 Dec 2023 06:12:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 18:15:09.557307
• Title: Supervised Contrastive Learning for Fine-grained Chromosome Recognition
• Title（参考訳）: きめ細かい染色体認識のための教師付きコントラスト学習
• Authors: Ruijia Chang, Suncheng Xiang, Chengyu Zhou, Kui Su, Dahong Qian, Jun Wang
• Abstract要約: 染色体認識は核タイピングにおいて必須の課題であり、出生時欠陥診断や生医学研究において重要な役割を担っている。 既存の分類法は、染色体のクラス間類似性とクラス内変異のために重大な課題に直面している。 そこで本研究では,信頼性染色体分類のためのモデルに依存しない深層ネットワークを訓練するための教師付きコントラスト学習戦略を提案する。
• 参考スコア（独自算出の注目度）: 7.427070103487921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chromosome recognition is an essential task in karyotyping, which plays a vital role in birth defect diagnosis and biomedical research. However, existing classification methods face significant challenges due to the inter-class similarity and intra-class variation of chromosomes. To address this issue, we propose a supervised contrastive learning strategy that is tailored to train model-agnostic deep networks for reliable chromosome classification. This method enables extracting fine-grained chromosomal embeddings in latent space. These embeddings effectively expand inter-class boundaries and reduce intra-class variations, enhancing their distinctiveness in predicting chromosome types. On top of two large-scale chromosome datasets, we comprehensively validate the power of our contrastive learning strategy in boosting cutting-edge deep networks such as Transformers and ResNets. Extensive results demonstrate that it can significantly improve models' generalization performance, with an accuracy improvement up to +4.5%. Codes and pretrained models will be released upon acceptance of this work.
• Abstract（参考訳）: 染色体認識は核タイピングにおいて必須の課題であり、出生時欠陥診断や生医学研究において重要な役割を果たす。 しかし、既存の分類法は染色体のクラス間類似性やクラス内変異のために重大な課題に直面している。 そこで本研究では,信頼できる染色体分類のためのモデル非依存な深層ネットワークを訓練するための教師付きコントラスト学習戦略を提案する。 潜伏空間に微細な染色体埋め込みを抽出することができる。 これらの埋め込みは、クラス間の境界を効果的に拡大し、クラス内変異を減少させ、染色体タイプの予測においてその識別性を高める。 2つの大規模な染色体データセットの上に、TransformersやResNetsといった最先端の深層ネットワークを増強する際、コントラスト学習戦略のパワーを包括的に検証する。 その結果、モデルの一般化性能を大幅に改善でき、精度は+4.5%向上した。 この作業を受け入れると、コードと事前訓練されたモデルがリリースされる。

関連論文リスト

• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Masked conditional variational autoencoders for chromosome straightening [14.665481276886194]
  核タイピングはヒト疾患における染色体異常の検出に重要である。 染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。 本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-25T05:11:41Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Karyotype AI for Precision Oncology [24.283441582734255]
  従来の核型解析を自動化しようとする試みは収差検出では不十分であった。 TopViTはCNN(インセプション)モデルで99.3%の精度で染色体を同定した。
  論文  参考訳（メタデータ） (2022-11-20T04:59:23Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• Adversarial Multiscale Feature Learning for Overlapping Chromosome Segmentation [6.180155406275231]
  染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。 染色体のストリップ形状のため、画像化すると簡単に互いに重複します。 重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T06:04:22Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)
• DeepACC:Automate Chromosome Classification based on Metaphase Images using Deep Learning Framework Fused with Prior Knowledge [7.505977371626168]
  染色体分類は核タイピングにおいて重要であるが困難で面倒な作業である。 本研究では,染色体の特定と分類を同時に行うための検出ベース手法であるDeepACCを提案する。
  論文  参考訳（メタデータ） (2020-06-28T07:04:41Z)

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。