論文の概要: Learning from Partial Label Proportions for Whole Slide Image Segmentation

• arxiv url: http://arxiv.org/abs/2405.09041v1
• Date: Wed, 15 May 2024 02:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-16 14:35:45.977663
• Title: Learning from Partial Label Proportions for Whole Slide Image Segmentation
• Title（参考訳）: 全スライド画像セグメンテーションのための部分ラベル分布からの学習
• Authors: Shinnosuke Matsuo, Daiki Suehiro, Seiichi Uchida, Hiroaki Ito, Kazuhiro Terada, Akihiko Yoshizawa, Ryoma Bise,
• Abstract要約: 不完全なラベルの比率を利用して,全スライド画像(WSI)における腫瘍サブタイプのセグメンテーションに対処する。 本稿では2つの弱教師付き学習サブプロブレムに分解することで,この問題に対する効率的なアルゴリズムを提案する。 提案アルゴリズムの有効性は,2つのWSIデータセットを用いた実験によって実証される。
• 参考スコア（独自算出の注目度）: 10.360348400670519
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we address the segmentation of tumor subtypes in whole slide images (WSI) by utilizing incomplete label proportions. Specifically, we utilize `partial' label proportions, which give the proportions among tumor subtypes but do not give the proportion between tumor and non-tumor. Partial label proportions are recorded as the standard diagnostic information by pathologists, and we, therefore, want to use them for realizing the segmentation model that can classify each WSI patch into one of the tumor subtypes or non-tumor. We call this problem ``learning from partial label proportions (LPLP)'' and formulate the problem as a weakly supervised learning problem. Then, we propose an efficient algorithm for this challenging problem by decomposing it into two weakly supervised learning subproblems: multiple instance learning (MIL) and learning from label proportions (LLP). These subproblems are optimized efficiently in the end-to-end manner. The effectiveness of our algorithm is demonstrated through experiments conducted on two WSI datasets.
• Abstract（参考訳）: 本稿では,不完全ラベルの比率を利用して,全スライド画像(WSI)における腫瘍サブタイプのセグメンテーションに対処する。 具体的には,腫瘍のサブタイプに比例するが,腫瘍と非腫瘍に比例しない「部分的」ラベル比を用いる。 そこで我々は,各WSIパッチを腫瘍のサブタイプまたは非腫瘍の1つに分類できるセグメンテーションモデルの実現に利用したい。 我々はこの問題を「部分ラベル比例(LPLP)からの学習」と呼び、弱い教師付き学習問題として定式化する。 そこで我々は,この課題に対して,マルチインスタンス学習 (MIL) とラベル比率 (LLP) の2つの弱教師付き学習サブプロブレムに分解して効率的なアルゴリズムを提案する。 これらのサブプロブレムはエンドツーエンドで効率的に最適化される。 提案アルゴリズムの有効性は,2つのWSIデータセットを用いた実験によって実証される。

関連論文リスト

• Efficient Classification of Histopathology Images [5.749787074942512]
  腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。 これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。
  論文  参考訳（メタデータ） (2024-09-08T17:41:04Z)
• Tumor segmentation on whole slide images: training or prompting? [0.0]
  3つの異なる臓器に対する腫瘍分節の文脈における視覚的プロンプトの有効性を示す。 この結果から,視覚的プロンプトは,適切なプロンプト例を用いて,広範囲な微調整を行なわずに,同等あるいは優れた性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2024-02-21T16:59:53Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• 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)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Self-similarity Student for Partial Label Histopathology Image Segmentation [14.20551462622277]
  ギガピクセル全スライド画像(WSI)における癌領域の描写は,デジタル病理学において重要な診断方法である。 教師-学生モデルパラダイムと類似性学習を組み合わせた自己相似性学生を提案する。 提案手法は,最先端のノイズ認識学習手法を5$%,教師付きベースラインを10$%,様々なノイズの度合いで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-07-19T07:34:18Z)
• 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)

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。