論文の概要: Benchmarking Domain Generalization Algorithms in Computational Pathology

• arxiv url: http://arxiv.org/abs/2409.17063v1
• Date: Wed, 25 Sep 2024 16:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 02:54:47.452777
• Title: Benchmarking Domain Generalization Algorithms in Computational Pathology
• Title（参考訳）: 計算病理における領域一般化アルゴリズムのベンチマーク
• Authors: Neda Zamanitajeddin, Mostafa Jahanifar, Kesi Xu, Fouzia Siraj, Nasir Rajpoot,
• Abstract要約: 本研究の目的は,3つのCPathタスクに対する30のDGアルゴリズムの有効性を,7,560回のクロスバリデーション実行を通じて評価することである。 我々はこれらのアルゴリズムを統一的で堅牢なプラットフォームを用いて評価し、モダリティ固有の技術と、事前訓練された基礎モデルのような最近の進歩を取り入れた。 自己教師型学習とステンド増強が他の手法より一貫して優れており、事前訓練されたモデルやデータ拡張の可能性を強調している。
• 参考スコア（独自算出の注目度）: 1.0401006444780359
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning models have shown immense promise in computational pathology (CPath) tasks, but their performance often suffers when applied to unseen data due to domain shifts. Addressing this requires domain generalization (DG) algorithms. However, a systematic evaluation of DG algorithms in the CPath context is lacking. This study aims to benchmark the effectiveness of 30 DG algorithms on 3 CPath tasks of varying difficulty through 7,560 cross-validation runs. We evaluate these algorithms using a unified and robust platform, incorporating modality-specific techniques and recent advances like pretrained foundation models. Our extensive cross-validation experiments provide insights into the relative performance of various DG strategies. We observe that self-supervised learning and stain augmentation consistently outperform other methods, highlighting the potential of pretrained models and data augmentation. Furthermore, we introduce a new pan-cancer tumor detection dataset (HISTOPANTUM) as a benchmark for future research. This study offers valuable guidance to researchers in selecting appropriate DG approaches for CPath tasks.
• Abstract（参考訳）: 深層学習モデルは計算病理学(CPath)タスクにおいて大きな可能性を示してきたが、そのパフォーマンスはドメインシフトによって見当たらないデータに適用される場合が多い。 これに対応するにはドメイン一般化(DG)アルゴリズムが必要である。 しかし、CPathコンテキストにおけるDGアルゴリズムの体系的評価は欠如している。 本研究の目的は,3つのCPathタスクに対する30のDGアルゴリズムの有効性を,7,560回のクロスバリデーション実行を通じて評価することである。 我々はこれらのアルゴリズムを統一的で堅牢なプラットフォームを用いて評価し、モダリティ固有の技術と、事前訓練された基礎モデルのような最近の進歩を取り入れた。 我々のクロスバリデーション実験は、様々なDG戦略の相対的性能に関する洞察を提供する。 自己教師型学習とステンド増強が他の手法より一貫して優れており、事前訓練されたモデルやデータ拡張の可能性を強調している。 さらに,今後の研究のベンチマークとして,新しい膵腫瘍検出データセット (HISTOPANTUM) を導入する。 本研究は、CPathタスクに適したDGアプローチを選択する上で、研究者に貴重なガイダンスを提供する。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• Domain Generalization in Computational Pathology: Survey and Guidelines [2.790591243289254]
  アウト・オブ・ディストリビューション(out-of-distribution)データは、Emph domain shift(DS)を引き起こす。 DSはトレーニングされたモデルの一般化をわずかに異なるデータ分布を持つ未知のデータセットに還元する。 複雑なDG問題に対処するため,28個の最先端DGアルゴリズムを用いて徹底的なベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2023-10-30T15:39:19Z)
• Unsupervised Pre-Training Using Masked Autoencoders for ECG Analysis [4.3312979375047025]
  本稿では、心電図(ECG)信号のためのマスク付きオートエンコーダ(MAE)に基づく教師なし事前トレーニング手法を提案する。 さらに、ECG分析のための完全なフレームワークを形成するためのタスク固有の微調整を提案する。 フレームワークは高レベルで普遍的で、特定のモデルアーキテクチャやタスクに個別に適応していない。
  論文  参考訳（メタデータ） (2023-10-17T11:19:51Z)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• Domain Generalization: A Survey [146.68420112164577]
  ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。 初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
  論文  参考訳（メタデータ） (2021-03-03T16:12:22Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Deep Learning for ECG Analysis: Benchmarks and Insights from PTB-XL [15.552721021992847]
  PTB-XLデータセットのベンチマーク結果について検討した。 畳み込みニューラルネットワーク、特にresnetおよびinceptionベースのアーキテクチャは、すべてのタスクで最高のパフォーマンスを示します。 結果は、隠れ層化、モデルの不確実性、探索的解釈可能性分析の観点から、分類アルゴリズムの深い洞察によって補完される。
  論文  参考訳（メタデータ） (2020-04-28T17:55:17Z)

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。