論文の概要: Detecting Domain Shift in Multiple Instance Learning for Digital Pathology Using Fréchet Domain Distance
- arxiv url: http://arxiv.org/abs/2405.09934v1
- Date: Thu, 16 May 2024 09:37:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-17 14:41:47.997895
- Title: Detecting Domain Shift in Multiple Instance Learning for Digital Pathology Using Fréchet Domain Distance
- Title（参考訳）: Fréchet Domain Distance を用いたデジタル病理のマルチインスタンス学習におけるドメインシフトの検出
- Authors: Milda Pocevičiūtė, Gabriel Eilertsen, Stina Garvin, Claes Lundström,
- Abstract要約: 我々は,乳腺転移を含むリンパ節全スライディング画像の分類のために,注意に基づくMILアルゴリズムを訓練する。
我々は,デジタル病理学のMILが臨床的に現実的なデータ差に影響されていることを示す。
本稿では,Fr'echet Domain Distance (FDD) という,ドメインシフトの定量化のための教師なし測度を提案する。
- 参考スコア（独自算出の注目度）: 3.57486761615991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple-instance learning (MIL) is an attractive approach for digital pathology applications as it reduces the costs related to data collection and labelling. However, it is not clear how sensitive MIL is to clinically realistic domain shifts, i.e., differences in data distribution that could negatively affect performance, and if already existing metrics for detecting domain shifts work well with these algorithms. We trained an attention-based MIL algorithm to classify whether a whole-slide image of a lymph node contains breast tumour metastases. The algorithm was evaluated on data from a hospital in a different country and various subsets of this data that correspond to different levels of domain shift. Our contributions include showing that MIL for digital pathology is affected by clinically realistic differences in data, evaluating which features from a MIL model are most suitable for detecting changes in performance, and proposing an unsupervised metric named Fr\'echet Domain Distance (FDD) for quantification of domain shifts. Shift measure performance was evaluated through the mean Pearson correlation to change in classification performance, where FDD achieved 0.70 on 10-fold cross-validation models. The baselines included Deep ensemble, Difference of Confidence, and Representation shift which resulted in 0.45, -0.29, and 0.56 mean Pearson correlation, respectively. FDD could be a valuable tool for care providers and vendors who need to verify if a MIL system is likely to perform reliably when implemented at a new site, without requiring any additional annotations from pathologists.
- Abstract（参考訳）: MIL(Multiple-Instance Learning)は、データ収集やラベリングに関連するコストを削減するため、デジタル病理アプリケーションにとって魅力的なアプローチである。
しかし、MILが臨床的に現実的なドメインシフトに対してどれほど敏感であるかは明らかになっていない。
我々は,乳腺転移を含むリンパ節全スライディング画像の分類のために,注意に基づくMILアルゴリズムを訓練した。
このアルゴリズムは、異なる国の病院のデータと、異なるレベルのドメインシフトに対応する様々なサブセットに基づいて評価された。
我々の貢献は、デジタル病理学のためのMILが、臨床的に現実的なデータ差に影響されていること、MILモデルからのどの特徴がパフォーマンスの変化を検出するのに最も適しているかを評価すること、ドメインシフトの定量化のためのFr\echet Domain Distance(FDD)と呼ばれる教師なしメトリクスを提案することである。
FDDは10倍のクロスバリデーションモデルで0.70を達成した。
ベースラインにはディープアンサンブル、信頼の相違、表現のシフトがあり、それぞれ0.45、-0.29、および0.56のピアソン相関が得られた。
FDDは、病理学者から追加のアノテーションを必要とせずに、新しいサイトでMILシステムが確実に機能するかどうかを確認する必要があるケア提供者やベンダーにとって、貴重なツールである可能性がある。
関連論文リスト
- Localizing Anomalies via Multiscale Score Matching Analysis [13.898576482792173]
本稿では,脳MRIにおける異常局所化のための新しい教師なし手法であるSpatial-MSMAを紹介する。
パッチ位置とグローバル画像の特徴を条件としたフレキシブルな正規化フローモデルを用いて、パッチワイド異常スコアを推定する。
この方法は、通常発達している幼児の1,650T1およびT2重み付き脳MRIのデータセットで評価される。
論文 参考訳（メタデータ） (2024-06-28T17:57:12Z) - Cross-Dataset Adaptation for Instrument Classification in Cataract
Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。
本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。
さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文 参考訳（メタデータ） (2023-07-31T18:14:18Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-01T08:38:07Z) - Self-Supervised Equivariant Regularization Reconciles Multiple Instance
Learning: Joint Referable Diabetic Retinopathy Classification and Lesion
Segmentation [3.1671604920729224]
病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。
既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。
本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。
我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
論文 参考訳（メタデータ） (2022-10-12T06:26:05Z) - Towards Measuring Domain Shift in Histopathological Stain Translation in
an Unsupervised Manner [0.0]
本稿では,PixelCNNとドメインシフト指標を用いて,デジタル病理学におけるドメインシフトの検出と定量化を行う。
発見は、(ソースデータに基づいてトレーニングされた)モデルの平均的なパフォーマンスを、目に見えないターゲットデータと遅延しないターゲットデータに基づいて推測するメカニズムの道を開く。
論文 参考訳（メタデータ） (2022-05-09T15:18:12Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z) - Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and
Multi-Disease Cardiac MR Image Segmentation [3.4551186283197883]
ドメイン逆学習は、ラベル付きおよび非ラベル付きデータを使用して、ドメイン不変の2D U-Netをトレーニングするために使用される。
このアプローチは、M&Msチャレンジデータセットから、目に見えない領域と見えない領域の両方で評価される。
論文 参考訳（メタデータ） (2020-08-26T19:40:55Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z)
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。