論文の概要: FISHing in Uncertainty: Synthetic Contrastive Learning for Genetic Aberration Detection

• arxiv url: http://arxiv.org/abs/2411.01025v1
• Date: Fri, 01 Nov 2024 20:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:40:09.278124
• Title: FISHing in Uncertainty: Synthetic Contrastive Learning for Genetic Aberration Detection
• Title（参考訳）: 不確実性のFISH:遺伝的収差検出のための合成コントラスト学習
• Authors: Simon Gutwein, Martin Kampel, Sabine Taschner-Mandl, Roxane Licandro,
• Abstract要約: 既存のFISH画像分類手法は、信号のばらつきと本質的不確実性に起因する課題に直面している。 手動アノテーションの必要をなくすために合成画像を活用する新しい手法を提案する。 我々は,合成データに基づいて学習した手法の優れた一般化能力と不確実性を実証する。
• 参考スコア（独自算出の注目度）: 1.3373458503586262
• License:
• Abstract: Detecting genetic aberrations is crucial in cancer diagnosis, typically through fluorescence in situ hybridization (FISH). However, existing FISH image classification methods face challenges due to signal variability, the need for costly manual annotations and fail to adequately address the intrinsic uncertainty. We introduce a novel approach that leverages synthetic images to eliminate the requirement for manual annotations and utilizes a joint contrastive and classification objective for training to account for inter-class variation effectively. We demonstrate the superior generalization capabilities and uncertainty calibration of our method, which is trained on synthetic data, by testing it on a manually annotated dataset of real-world FISH images. Our model offers superior calibration in terms of classification accuracy and uncertainty quantification with a classification accuracy of 96.7% among the 50% most certain cases. The presented end-to-end method reduces the demands on personnel and time and improves the diagnostic workflow due to its accuracy and adaptability. All code and data is publicly accessible at: https://github.com/SimonBon/FISHing
• Abstract（参考訳）: 遺伝子異常の検出は、一般的に蛍光 in situ hybridization (FISH) を通じてがんの診断において重要である。 しかし、既存のFISH画像分類手法は、信号の可変性、コストのかかる手作業によるアノテーションの必要性、本質的な不確実性に適切に対処できないといった問題に直面している。 そこで本研究では,手動アノテーションの要求を解消するために合成画像を活用する新しい手法を提案する。 実世界のFISH画像を手動でアノテートしたデータセットを用いて,合成データに基づいて学習した手法の優れた一般化能力と不確実性を実証した。 本モデルでは, 分類精度および不確実性定量化の点において, 50%のケースにおいて, 分類精度96.7%の精度で優れたキャリブレーションを行う。 提案手法は,人的・時間的要求を低減し,その正確性や適応性から診断ワークフローを改善する。 すべてのコードとデータは、https://github.com/SimonBon/FISHingで公開されている。

関連論文リスト

• Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
  本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。 我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。 乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
  論文  参考訳（メタデータ） (2024-08-15T23:46:37Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• Predictive Accuracy-Based Active Learning for Medical Image Segmentation [5.25147264940975]
  医用画像セグメンテーションのための効果的な予測精度に基づく能動学習法を提案する。 PAALは、精度予測器(AP)と軽量ポーリング戦略(WPS)から構成される。 複数のデータセットに対する実験結果は、PAALの優位性を示している。
  論文  参考訳（メタデータ） (2024-05-01T11:12:08Z)
• Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
  医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。 このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。 不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-13T10:51:18Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Improved Trainable Calibration Method for Neural Networks on Medical Imaging Classification [17.941506832422192]
  経験的に、ニューラルネットワークは、しばしば彼らの予測を誤解し、過度に信ずる。 本稿では,モデルキャリブレーションを大幅に改善しつつ,全体の分類精度を維持する新しいキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2020-09-09T01:25:53Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。