論文の概要: Distilling Local Texture Features for Colorectal Tissue Classification in Low Data Regimes

• arxiv url: http://arxiv.org/abs/2401.01164v1
• Date: Tue, 2 Jan 2024 11:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-03 14:14:01.687732
• Title: Distilling Local Texture Features for Colorectal Tissue Classification in Low Data Regimes
• Title（参考訳）: 低データレジームにおける大腸組織分類のためのローカルテクスチャの蒸留
• Authors: Dmitry Demidov, Roba Al Majzoub, Amandeep Kumar, and Fahad Khan
• Abstract要約: 多クラス大腸癌組織分類は、通常、ある設定で対処される難しい問題である。 そこで我々は,KD-CTCNetという知識蒸留に基づく手法を提案する。 結果として得られたリッチな特徴表現は、低データレギュレーションに特化して、分類性能の向上を実現する。
• 参考スコア（独自算出の注目度）: 3.9396560696586693
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-class colorectal tissue classification is a challenging problem that is typically addressed in a setting, where it is assumed that ample amounts of training data is available. However, manual annotation of fine-grained colorectal tissue samples of multiple classes, especially the rare ones like stromal tumor and anal cancer is laborious and expensive. To address this, we propose a knowledge distillation-based approach, named KD-CTCNet, that effectively captures local texture information from few tissue samples, through a distillation loss, to improve the standard CNN features. The resulting enriched feature representation achieves improved classification performance specifically in low data regimes. Extensive experiments on two public datasets of colorectal tissues reveal the merits of the proposed contributions, with a consistent gain achieved over different approaches across low data settings. The code and models are publicly available on GitHub.
• Abstract（参考訳）: 多系統の大腸組織分類は、通常、大量のトレーニングデータが利用可能であると仮定された環境で対処される困難な問題である。 特に間質性腫瘍や肛門癌などの稀な症例は, 細粒な大腸組織サンプルを手作業で診断することは困難で高価である。 そこで,我々はkd-ctcnetという知識蒸留ベースの手法を提案し,蒸留損失を生かして組織サンプルから局所的なテクスチャ情報を効果的に取り込み,標準cnn機能を改善する。 結果として得られたリッチな特徴表現は、特に低データレシエーションにおける分類性能の向上を達成する。 大腸組織の2つの公開データセットに対する大規模な実験は、提案されたコントリビューションのメリットを明らかにし、低いデータ設定で異なるアプローチで一貫した成功を達成している。 コードとモデルはGitHubで公開されている。

関連論文リスト

• Dataset Distillation for Histopathology Image Classification [46.04496989951066]
  病理画像データセット(Histo-DD)に適した新しいデータセット蒸留アルゴリズムを提案する。 提案アルゴリズムの有効性を総合的に評価し, パッチレベルとスライドレベルの両方の分類タスクにおいて, 組織学的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-08-19T05:53:38Z)
• DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images [2.352695945685781]
  そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。 提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。 完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
  論文  参考訳（メタデータ） (2024-03-12T09:17:21Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning [0.0]
  農業地域では、優占作物は典型的には1種または2種であり、他の作物は少ない。 農作物の地図を作成するためにトレーニングサンプルを集める際には、支配的な作物からのサンプルが多数存在し、多数派を形成している。 提案手法は, マイノリティクラスにおけるサンプル数を大幅に増加させることができる, 高品質な合成データを生成することを実証した。
  論文  参考訳（メタデータ） (2024-02-03T11:07:50Z)
• Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
  アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。 HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。 本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
  論文  参考訳（メタデータ） (2023-08-08T03:34:04Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Data Augmentation using Feature Generation for Volumetric Medical Images [0.08594140167290097]
  医用画像分類は画像認識領域で最も重要な問題の一つである。 この分野での大きな課題の1つは、ラベル付きトレーニングデータの不足である。 特にディープラーニングモデルでは,画像のセグメンテーションや分類問題に関する有望な結果が示されている。
  論文  参考訳（メタデータ） (2022-09-28T13:46:24Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)

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。