論文の概要: Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights

• arxiv url: http://arxiv.org/abs/2408.13816v1
• Date: Sun, 25 Aug 2024 12:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 17:40:09.005234
• Title: Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights
• Title（参考訳）: Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights
• Authors: Ardhendu Sekhar, Ravi Kant Gupta, Amit Sethi,
• Abstract要約: 病理組織学的画像分類のための4つの病理組織学的データセットを検討した。 我々は,最先端の分類手法を用いて,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオを評価した。 5-way 1-shot, 5-way 5-shot, 5-way 10-shotはそれぞれ70%, 80%, 85%の精度を達成している。
• 参考スコア（独自算出の注目度）: 3.0830445241647313
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a study on few-shot classification in the context of histopathology images. While few-shot learning has been studied for natural image classification, its application to histopathology is relatively unexplored. Given the scarcity of labeled data in medical imaging and the inherent challenges posed by diverse tissue types and data preparation techniques, this research evaluates the performance of state-of-the-art few-shot learning methods for various scenarios on histology data. We have considered four histopathology datasets for few-shot histopathology image classification and have evaluated 5-way 1-shot, 5-way 5-shot and 5-way 10-shot scenarios with a set of state-of-the-art classification techniques. The best methods have surpassed an accuracy of 70%, 80% and 85% in the cases of 5-way 1-shot, 5-way 5-shot and 5-way 10-shot cases, respectively. We found that for histology images popular meta-learning approaches is at par with standard fine-tuning and regularization methods. Our experiments underscore the challenges of working with images from different domains and underscore the significance of unbiased and focused evaluations in advancing computer vision techniques for specialized domains, such as histology images.
• Abstract（参考訳）: 本稿では,病理組織像の文脈における小切片分類について述べる。 自然画像分類のための数発の学習が研究されているが、その病理学への応用は明らかにされていない。 本研究は, 医療画像におけるラベル付きデータの不足と, 組織の種類やデータ作成技術による固有の課題を考慮し, 組織学的データに基づく様々なシナリオを対象とした最新の数ショット学習法の性能評価を行った。 病理組織学的画像分類のための4つの病理組織学的データセットを考察し,最先端の分類手法を用いて5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオを評価した。 5-way 1-shot, 5-way 5-shot, 5-way 10-shotはそれぞれ70%, 80%, 85%の精度を達成している。 組織学画像の場合,一般的なメタラーニング手法は標準的な微調整法や正規化法と同等であることがわかった。 我々の実験は、異なる領域の画像を扱うことの課題を浮き彫りにして、組織学画像のような特殊な領域に対するコンピュータビジョン技術の進歩における、偏見のない、集中的な評価の重要性を浮き彫りにしている。

関連論文リスト

• Cross-Domain Evaluation of Few-Shot Classification Models: Natural Images vs. Histopathological Images [2.364022147677265]
  まず、自然画像のいくつかの分類モデルを訓練し、その性能を病理画像で評価する。 病理組織学的データセットを4つ,自然画像データセットを1つ導入し,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオでパフォーマンスを評価した。
  論文  参考訳（メタデータ） (2024-10-11T18:25:52Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Towards a Visual-Language Foundation Model for Computational Pathology [5.72536252929528]
  病理組織学(CONCH)におけるコントラスト学習について紹介する。 CONCHは、様々な組織像、生医学的テキスト、タスクに依存しない事前トレーニングのソースを用いて開発された視覚言語基盤モデルである。 13種類の多様なベンチマークで評価され, 画像分類, セグメンテーション, キャプション, テキスト・ツー・イメージ検索, 画像・テキスト検索における最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-07-24T16:13:43Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic Disorders [55.41644538483948]
  分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。 従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。 本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
  論文  参考訳（メタデータ） (2022-10-23T11:52:57Z)
• FHIST: A Benchmark for Few-shot Classification of Histological Images [20.182417148565147]
  画像分類にはあまり関心が寄せられていないが、現在の公開ベンチマークのほとんどは自然画像に焦点を当てている。 本稿では、様々な公開データセットから収集された高度に多様化した公開ベンチマークを、数発のヒストロジーデータ分類のために導入する。 本ベンチマークでは,最新の数ショット学習手法の性能評価を行い,単純な微調整法と正規化法が,一般的なメタラーニングやエピソディック学習のパラダイムよりも優れた結果が得られることを検証した。
  論文  参考訳（メタデータ） (2022-05-31T20:03:40Z)
• Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image Classification [3.9745217005532183]
  モデルの性能を高めるために,医療知識に基づく一級分類手法を提案する。 不均衡画像分類のための深層学習に基づく一クラス分類パイプラインを設計する。 6つの最先端手法と比較して,優れたモデル性能を示す。
  論文  参考訳（メタデータ） (2021-11-20T16:14:19Z)
• Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images [79.34600869202373]
  帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。 具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。 我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
  論文  参考訳（メタデータ） (2021-05-25T12:22:11Z)
• Objective Diagnosis for Histopathological Images Based on Machine Learning Techniques: Classical Approaches and New Trends [0.33554367023486936]
  病理組織像は顕微鏡で撮影され、多くの疾患を特定し、調査し、分類する。 病理組織像の解析は、疾患の診断を支援する多種多様かつ関連する研究領域である。 本稿では, 組織像解析に応用された従来の深層学習技術について概観する。
  論文  参考訳（メタデータ） (2020-11-10T07:31:05Z)
• 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。