論文の概要: Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method
- arxiv url: http://arxiv.org/abs/2405.03642v1
- Date: Mon, 6 May 2024 17:06:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 13:07:25.289696
- Title: Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method
- Title（参考訳）: 修正教師付きコントラスト学習法による乳癌組織像の分類
- Authors: Matina Mahdizadeh Sani, Ali Royat, Mahdieh Soleymani Baghshah,
- Abstract要約: この研究は、教師付きコントラスト学習法を改善し、偽陽性の影響を低減する。
乳癌の病理組織像から得られたBreakHisデータセットについて検討した。
この改良は93.63%の絶対精度に対応しており、より適切な表現空間を学習するためにデータ特性を活用するアプローチの有効性を強調している。
- 参考スコア（独自算出の注目度）: 4.303291247305105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks have reached remarkable achievements in medical image processing tasks, specifically classifying and detecting various diseases. However, when confronted with limited data, these networks face a critical vulnerability, often succumbing to overfitting by excessively memorizing the limited information available. This work addresses the challenge mentioned above by improving the supervised contrastive learning method to reduce the impact of false positives. Unlike most existing methods that rely predominantly on fully supervised learning, our approach leverages the advantages of self-supervised learning in conjunction with employing the available labeled data. We evaluate our method on the BreakHis dataset, which consists of breast cancer histopathology images, and demonstrate an increase in classification accuracy by 1.45% at the image level and 1.42% at the patient level compared to the state-of-the-art method. This improvement corresponds to 93.63% absolute accuracy, highlighting our approach's effectiveness in leveraging data properties to learn more appropriate representation space.
- Abstract（参考訳）: ディープニューラルネットワークは、医療画像処理タスクにおいて、特に様々な疾患の分類と検出において、顕著な成果を達成している。
しかし、限られたデータに直面すると、これらのネットワークは重大な脆弱性に直面し、利用可能な限られた情報を過度に記憶することで過度に適合する。
この研究は、教師付きコントラスト学習法を改善し、偽陽性の影響を減らすことで、上記の課題に対処する。
完全教師付き学習に大きく依存する既存の方法とは異なり、我々の手法は、利用可能なラベル付きデータの使用とともに、自己教師付き学習の利点を活用する。
乳がん病理像からなるBreakHisデータセットを用いて, 画像レベルでは1.45%, 患者レベルでは1.42%の分類精度が得られた。
この改良は93.63%の絶対精度に対応しており、より適切な表現空間を学習するためにデータ特性を活用するアプローチの有効性を強調している。
関連論文リスト
- CrossMatch: Enhance Semi-Supervised Medical Image Segmentation with Perturbation Strategies and Knowledge Distillation [7.6057981800052845]
CrossMatchは、ラベル付きデータとラベルなしデータの両方からモデルの学習を改善するために、知識蒸留とデュアル戦略レベルの機能レベルを統合する新しいフレームワークである。
本手法は,ラベル付きデータとラベルなしデータのトレーニングのギャップを効果的に最小化することにより,標準ベンチマークにおける他の最先端技術を大幅に超えている。
論文 参考訳（メタデータ） (2024-05-01T07:16:03Z) - Siamese Networks with Soft Labels for Unsupervised Lesion Detection and
Patch Pretraining on Screening Mammograms [7.917505566910886]
対向マンモグラフィーを用いてニューラルネットワークを訓練し、同様の埋め込みを符号化する手法を提案する。
本手法は,既存の自己教師あり学習法と比較して,マンモグラムのパッチ分類において優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-10T22:27:37Z) - 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) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。
クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
論文 参考訳（メタデータ） (2022-04-02T16:58:36Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳（メタデータ） (2021-11-22T05:06:12Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。
提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T22:15:28Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。
我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。
提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
論文 参考訳（メタデータ） (2020-10-10T07:14:03Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。