論文の概要: SRA: A Novel Method to Improve Feature Embedding in Self-supervised Learning for Histopathological Images

• arxiv url: http://arxiv.org/abs/2410.17514v3
• Date: Thu, 31 Oct 2024 20:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 21:01:20.702469
• Title: SRA: A Novel Method to Improve Feature Embedding in Self-supervised Learning for Histopathological Images
• Title（参考訳）: SRA: 病理画像の自己教師型学習における特徴埋め込み改善のための新しい手法
• Authors: Hamid Manoochehri, Bodong Zhang, Beatrice S. Knudsen, Tolga Tasdizen,
• Abstract要約: SRA(stent reconstruction augmentation)と呼ばれる新しい病理組織特異的画像強調法を提案する。 我々は、SRAとMoCo v3を統合する。これは、自己教師型コントラスト学習における主要なモデルであり、新たなコントラスト損失項を付加し、新しいモデルであるSRA-MoCo v3と呼ぶ。 我々のSRA-MoCo v3は、さまざまな下流タスクで標準のMoCo v3を常に上回り、より大規模な病理組織データセットで事前トレーニングされた他の基盤モデルと同等または優れたパフォーマンスを達成しています。
• 参考スコア（独自算出の注目度）: 1.3124513975412253
• License:
• Abstract: Self-supervised learning has become a cornerstone in various areas, particularly histopathological image analysis. Image augmentation plays a crucial role in self-supervised learning, as it generates variations in image samples. However, traditional image augmentation techniques often overlook the unique characteristics of histopathological images. In this paper, we propose a new histopathology-specific image augmentation method called stain reconstruction augmentation (SRA). We integrate our SRA with MoCo v3, a leading model in self-supervised contrastive learning, along with our additional contrastive loss terms, and call the new model SRA-MoCo v3. We demonstrate that our SRA-MoCo v3 always outperforms the standard MoCo v3 across various downstream tasks and achieves comparable or superior performance to other foundation models pre-trained on significantly larger histopathology datasets.
• Abstract（参考訳）: 自己指導型学習は様々な分野、特に病理画像解析の基盤となっている。 画像サンプルのバリエーションを生成するため、自己教師あり学習において画像増強は重要な役割を担っている。 しかし、従来の画像増強技術は、しばしば病理像の独特の特徴を見落としている。 本稿では,ステンレス再構築(SRA)と呼ばれる新しい病理組織特異的画像強調法を提案する。 我々は、SRAとMoCo v3を統合する。これは、自己教師型コントラスト学習における主要なモデルであり、新たなコントラスト損失項を付加し、新しいモデルであるSRA-MoCo v3と呼ぶ。 我々のSRA-MoCo v3は、さまざまな下流タスクで標準のMoCo v3を常に上回り、より大規模な病理組織データセットで事前トレーニングされた他の基盤モデルと同等または優れたパフォーマンスを達成しています。

関連論文リスト

• IGUANe: a 3D generalizable CycleGAN for multicenter harmonization of brain MR images [0.0]
  画像翻訳のための深層学習手法が, MR画像との調和のためのソリューションとして登場した。 本研究では,ドメイン翻訳の強みを生かしたオリジナル3DモデルIGUANeを紹介する。 モデルは未知の取得サイトからでも任意の画像に適用することができる。
  論文  参考訳（メタデータ） (2024-02-05T17:38:49Z)
• Glioma subtype classification from histopathological images using in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
  成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。 半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。 モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:22:17Z)
• Self-similarity-based super-resolution of photoacoustic angiography from hand-drawn doodles [9.646172419644088]
  光音響血管造影(PAA)は、血管イメージをアンダーサンプル画像から復元し、疾患の診断を容易にする強力なツールである。 鍛造されたPAA画像で訓練した超高分解能PAA法を用いる新しい手法を提案する。 我々のアプローチは、視覚タスクのためのゼロショット学習ニューラルネットワークを探索する有望な可能性を示している。
  論文  参考訳（メタデータ） (2023-05-02T02:40:47Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Anatomical Invariance Modeling and Semantic Alignment for Self-supervised Learning in 3D Medical Image Analysis [6.87667643104543]
  自己教師付き学習(SSL)は、最近、3D医療画像解析タスクで有望なパフォーマンスを達成した。 現在のほとんどの手法は、元々写真や自然画像用に設計された既存のSSLパラダイムに従っている。 我々は,解剖的不変性モデリングと意味的アライメントを明確に満たす,自己教師付き学習フレームワークAliceを提案する。
  論文  参考訳（メタデータ） (2023-02-11T06:36:20Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Exploring The Role of Mean Teachers in Self-supervised Masked Auto-Encoders [64.03000385267339]
  マスク付き画像モデリング(MIM)は視覚変換器を用いた視覚表現の自己教師型学習(SSL)の一般的な戦略となっている。 簡単なSSL方式であるRC-MAE(Restruction-Consistent Masked Auto-Encoder)を提案する。 RC-MAEは、事前学習中に最先端の自己蒸留法よりも早く収束し、メモリ使用量の削減を必要とする。
  論文  参考訳（メタデータ） (2022-10-05T08:08:55Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• IMAGINE: Image Synthesis by Image-Guided Model Inversion [79.4691654458141]
  IMGE-Guided Model INvErsion (IMAGINE) と呼ばれるインバージョンベースの手法を導入し、高品質で多様な画像を生成します。 我々は,事前学習した分類器から画像意味論の知識を活用し,妥当な世代を実現する。 IMAGINEは,1)合成中の意味的特異性制約を同時に実施し,2)ジェネレータトレーニングなしでリアルな画像を生成し,3)生成過程を直感的に制御する。
  論文  参考訳（メタデータ） (2021-04-13T02:00:24Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)

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。