論文の概要: Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis

• arxiv url: http://arxiv.org/abs/2410.19789v1
• Date: Tue, 15 Oct 2024 16:25:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-03 08:20:14.461050
• Title: Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis
• Title（参考訳）: Xeno-learning: 深層学習に基づくスペクトル画像解析における種間知識伝達
• Authors: Jan Sellner, Alexander Studier-Fischer, Ahmad Bin Qasim, Silvia Seidlitz, Nicholas Schreck, Minu Tizabi, Manuel Wiesenfarth, Annette Kopp-Schneider, Samuel Knödler, Caelan Max Haney, Gabriel Salg, Berkin Özdemir, Maximilian Dietrich, Maurice Stephan Michel, Felix Nickel, Karl-Friedrich Kowalewski, Lena Maier-Hein,
• Abstract要約: クセノラーニング(xeno-learning)は、クセノ移植に触発された異種間知識伝達パラダイムである。 臓器のスペクトルは種によって異なるが,共有の病態生理学的メカニズムは種間での相対的なスペクトル変化として表される。
• 参考スコア（独自算出の注目度）: 28.524434580745105
• License:
• Abstract: Novel optical imaging techniques, such as hyperspectral imaging (HSI) combined with machine learning-based (ML) analysis, have the potential to revolutionize clinical surgical imaging. However, these novel modalities face a shortage of large-scale, representative clinical data for training ML algorithms, while preclinical animal data is abundantly available through standardized experiments and allows for controlled induction of pathological tissue states, which is not ethically possible in patients. To leverage this situation, we propose a novel concept called "xeno-learning", a cross-species knowledge transfer paradigm inspired by xeno-transplantation, where organs from a donor species are transplanted into a recipient species. Using a total of 11,268 HSI images from humans as well as porcine and rat models, we show that although spectral signatures of organs differ across species, shared pathophysiological mechanisms manifest as comparable relative spectral changes across species. Such changes learnt in one species can thus be transferred to a new species via a novel "physiology-based data augmentation" method, enabling the large-scale secondary use of preclinical animal data for humans. The resulting ethical, monetary, and performance benefits of the proposed knowledge transfer paradigm promise a high impact of the methodology on future developments in the field.
• Abstract（参考訳）: ハイパースペクトルイメージング(HSI)や機械学習(ML)分析などの新しい光学イメージング技術は、臨床画像に革命をもたらす可能性がある。 しかし、これらの新しいモダリティは、MLアルゴリズムを訓練するための大規模で代表的な臨床データが不足しているのに対して、前臨床動物データは標準化された実験を通じて豊富に利用可能であり、患者にとって倫理的に不可能な病理組織状態の誘導を制御できる。 この状況を活かすために,異種間知識伝達パラダイムである「キセノラーニング(xeno-learning)」という新しい概念を提案する。 ヒトの11,268個のHSI画像とブタおよびラットのモデルを用いて、臓器のスペクトル的特徴は種によって異なるが、共有された病態生理学的メカニズムは種間での相対的なスペクトル変化として表されることを示した。 そのため、ある種で学んだ変化は、新しい「生理に基づくデータ拡張」手法によって新しい種に移行することができ、人間の前臨床動物データを大規模に二次的に利用することができる。 提案された知識伝達パラダイムの倫理的、金銭的、そしてパフォーマンス上の利点は、この分野の将来的な発展に対する方法論の強い影響を約束する。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Reducing Intraspecies and Interspecies Covariate Shift in Traumatic Brain Injury EEG of Humans and Mice Using Transfer Euclidean Alignment [4.264615907591813]
  被験者間の高いばらつきは、現実世界の分類タスクのための機械学習モデルをデプロイすることに関して、大きな課題となる。 そのような場合、特定のデータセットで例外的なパフォーマンスを示す機械学習モデルは、同じタスクに対して異なるデータセットに適用した場合、必ずしも同様の習熟度を示すとは限らない。 本稿では,人間の生体医学的データの堅牢性に対処し,深層学習モデルの訓練を行うトランスファーユークリッドアライメントについて紹介する。
  論文  参考訳（メタデータ） (2023-10-03T19:48:02Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Variational Autoencoder Learns Better Feature Representations for EEG-based Obesity Classification [0.8399688944263843]
  肥満に関連する神経学的特徴を明らかにすることを目的として,脳波の静止状態(脳波)を調査する研究が進められている。 肥満とリーンの被験者分類のために,脳波の特徴を抽出する深層学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-01T22:48:45Z)
• Ultrafast Image Categorization in Biology and Neural Models [0.0]
  生態学的に人間に関係のある2つの独立したタスクについて,標準VGG 16 CNNを再訓練した。 ネットワークの再トレーニングは、精神物理学的なタスクで報告されたのに匹敵する、人間のようなパフォーマンスのレベルを達成することを示す。
  論文  参考訳（メタデータ） (2022-05-07T11:19:40Z)
• Translational Lung Imaging Analysis Through Disentangled Representations [0.0]
  本稿では,異なる動物モデルの画像から絡み合った情報を抽出できるモデルと,その画像を生成するメカニズムについて述べる。 結核に感染した病理肺の画像から最適化され、(a)入力スライスからその位置を推定し、その属する動物モデル、そしてさらには、肺全体を覆うマスクを生成することができる。
  論文  参考訳（メタデータ） (2022-03-03T11:56:20Z)
• Modeling the Evolution of Retina Neural Network [0.0]
  網膜回路は 様々な種類の 類似した構造を示しています 生物網膜に類似した機能を持つ構造を導く遺伝的アルゴリズムを用いた手法を設計する。 我々は、機械学習において、我々のフレームワークがどのようにゴール駆動型検索と持続可能なニューラルネットワークモデルの強化をもたらすかについて論じる。
  論文  参考訳（メタデータ） (2020-11-24T23:57:54Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Transferring Dense Pose to Proximal Animal Classes [83.84439508978126]
  より一般的な対象検出器やセグメンタなどと同様に、密集したポーズ認識に存在する知識を、他のクラスにおける密集したポーズ認識の問題に移すことが可能であることを示す。 我々は、人間と幾何学的に整合した新しい動物のためのDensePoseモデルを確立することでこれを行う。 また、クラスチンパンジーにDensePoseの方法でラベル付けされた2つのベンチマークデータセットを導入し、アプローチを評価するためにそれらを使用します。
  論文  参考訳（メタデータ） (2020-02-28T21:43:53Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。