論文の概要: Are We Ready for Out-of-Distribution Detection in Digital Pathology?
- arxiv url: http://arxiv.org/abs/2407.13708v1
- Date: Thu, 18 Jul 2024 17:07:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 14:31:41.179312
- Title: Are We Ready for Out-of-Distribution Detection in Digital Pathology?
- Title（参考訳）: デジタル病理におけるアウト・オブ・ディストリビューション検出の準備はできているか?
- Authors: Ji-Hun Oh, Kianoush Falahkheirkhah, Rohit Bhargava,
- Abstract要約: デジタル病理学におけるOOD検出のベンチマーク研究について述べる。
我々は,適切な評価プロトコルの導入と,単一モデルとマルチモデルの両方における多様な検出器の比較について強調する。
我々は新たな洞察とガイドラインを提供し、今後の研究と議論の道を開く。
- 参考スコア（独自算出の注目度）: 0.27309692684728604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of semantic and covariate out-of-distribution (OOD) examples is a critical yet overlooked challenge in digital pathology (DP). Recently, substantial insight and methods on OOD detection were presented by the ML community, but how do they fare in DP applications? To this end, we establish a benchmark study, our highlights being: 1) the adoption of proper evaluation protocols, 2) the comparison of diverse detectors in both a single and multi-model setting, and 3) the exploration into advanced ML settings like transfer learning (ImageNet vs. DP pre-training) and choice of architecture (CNNs vs. transformers). Through our comprehensive experiments, we contribute new insights and guidelines, paving the way for future research and discussion.
- Abstract（参考訳）: デジタル病理学 (DP) において, 意味的および共変量外分布 (OOD) の例の検出は, 重要かつ見落とされがちな課題である。
近年,OOD検出に関する重要な知見や手法がMLコミュニティによって提示されているが,DPアプリケーションではどのように活用されるのか?
この目的のために、私たちはベンチマーク研究を確立しました。
1)適切な評価プロトコルの採用
2【単モデル・多モデル双方における多様な検出器の比較】
3)トランスファーラーニング(イメージネット対DP事前トレーニング)やアーキテクチャの選択(CNN対トランスフォーマー)といった高度なML設定の探索。
総合的な実験を通じて、我々は新たな洞察とガイドラインを提供し、今後の研究と議論の道を開く。
関連論文リスト
- Incorporating Clinical Guidelines through Adapting Multi-modal Large Language Model for Prostate Cancer PI-RADS Scoring [14.804269296760712]
近年の深層学習に基づく PI-RADS 評価法は, 放射線技師が利用する PI-RADS 臨床ガイドライン (PICG) の組み入れを欠いていることが多い。
本稿では,マルチモーダルな大規模言語モデル(MLLM)を付加アノテーションやネットワークパラメータを使わずにPICGをPI-RADSスコアリングモデルに組み込む手法を提案する。
論文 参考訳（メタデータ） (2024-05-14T17:35:27Z) - Out-of-distribution Detection in Medical Image Analysis: A survey [12.778646136644399]
コンピュータ支援診断は、ディープラーニングベースのコンピュータビジョン技術の発展の恩恵を受けている。
従来の教師付きディープラーニング手法は、テストサンプルがトレーニングデータと同じ分布から引き出されることを前提としている。
実際の臨床シナリオでは分布外のサンプルに遭遇し、深層学習に基づく医用画像解析タスクにおいてサイレント障害を引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-04-28T18:51:32Z) - EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
本稿では,長い尾を持つOOD検出の課題に対処する。
主な困難は、尾クラスに属するサンプルとOODデータを区別することである。
本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
論文 参考訳（メタデータ） (2023-12-14T13:47:13Z) - When Super-Resolution Meets Camouflaged Object Detection: A Comparison
Study [135.19004496785408]
Super Resolution (SR) と Camouflaged Object Detection (COD) は、コンピュータビジョンにおける様々なジョイントアプリケーションとのホットトピックである。
我々は、一般的なCODデータセット上で異なる超解像法をベンチマークする。
SR法により処理されたCODデータを用いて,異なるCODモデルのロバスト性を評価する。
論文 参考訳（メタデータ） (2023-08-08T16:17:46Z) - General-Purpose Multi-Modal OOD Detection Framework [5.287829685181842]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習(ML)システムの安全性と信頼性を保証するために重要なトレーニングデータとは異なるテストサンプルを特定する。
本稿では,2値分類器とコントラスト学習コンポーネントを組み合わせた,汎用的な弱教師付きOOD検出フレームワークWOODを提案する。
提案したWOODモデルを複数の実世界のデータセット上で評価し、実験結果により、WOODモデルがマルチモーダルOOD検出の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-07-24T18:50:49Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳（メタデータ） (2023-06-27T16:59:06Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - Consistency Learning via Decoding Path Augmentation for Transformers in
Human Object Interaction Detection [11.928724924319138]
変換器のHOI検出を改善するために,クロスパス整合性学習(CPC)を提案する。
提案手法の有効性を実証し, V-COCO, HICO-DETを改良した。
論文 参考訳（メタデータ） (2022-04-11T02:45:00Z) - Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。
以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。
我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
論文 参考訳（メタデータ） (2022-02-07T03:43:16Z) - Triggering Failures: Out-Of-Distribution detection by learning from
local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。
私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。
3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-08-03T17:09:56Z) - Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A
Comparative Study [43.26668942258135]
脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ
これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。
概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
論文 参考訳（メタデータ） (2020-04-07T11:12:07Z)
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。