論文の概要: Leveraging Weak Supervision for Cell Localization in Digital Pathology Using Multitask Learning and Consistency Loss

• arxiv url: http://arxiv.org/abs/2412.15392v1
• Date: Thu, 19 Dec 2024 20:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:02.393470
• Title: Leveraging Weak Supervision for Cell Localization in Digital Pathology Using Multitask Learning and Consistency Loss
• Title（参考訳）: マルチタスク学習と一貫性損失を用いたデジタル病理組織における細胞局在推定の活用
• Authors: Berke Levent Cesur, Ayse Humeyra Dur Karasayar, Pinar Bulutay, Nilgun Kapucuoglu, Cisel Aydin Mericoz, Handan Eren, Omer Faruk Dilbaz, Javidan Osmanli, Burhan Soner Yetkili, Ibrahim Kulac, Can Fahrettin Koyuncu, Cigdem Gunduz-Demir,
• Abstract要約: 本研究は,デジタル病理学におけるマルチタスクネットワークのトレーニングのための混合スーパービジョン手法を提案する。 眼球形成過程に由来する細胞数、つまり病理学者がよく使う迅速な視覚的推定法が組み込まれている。
• 参考スコア（独自算出の注目度）: 1.0889985982651806
• License:
• Abstract: Cell detection and segmentation are integral parts of automated systems in digital pathology. Encoder-decoder networks have emerged as a promising solution for these tasks. However, training of these networks has typically required full boundary annotations of cells, which are labor-intensive and difficult to obtain on a large scale. However, in many applications, such as cell counting, weaker forms of annotations--such as point annotations or approximate cell counts--can provide sufficient supervision for training. This study proposes a new mixed-supervision approach for training multitask networks in digital pathology by incorporating cell counts derived from the eyeballing process--a quick visual estimation method commonly used by pathologists. This study has two main contributions: (1) It proposes a mixed-supervision strategy for digital pathology that utilizes cell counts obtained by eyeballing as an auxiliary supervisory signal to train a multitask network for the first time. (2) This multitask network is designed to concurrently learn the tasks of cell counting and cell localization, and this study introduces a consistency loss that regularizes training by penalizing inconsistencies between the predictions of these two tasks. Our experiments on two datasets of hematoxylin-eosin stained tissue images demonstrate that the proposed approach effectively utilizes the weakest form of annotation, improving performance when stronger annotations are limited. These results highlight the potential of integrating eyeballing-derived ground truths into the network training, reducing the need for resource-intensive annotations.
• Abstract（参考訳）: 細胞検出とセグメンテーションは、デジタル病理における自動システムの不可欠な部分である。 エンコーダとデコーダのネットワークは,これらのタスクに対して有望なソリューションとして登場した。 しかしながら、これらのネットワークのトレーニングは通常、労働集約的で大規模な取得が困難である細胞の完全な境界アノテーションを必要とする。 しかし、セルカウントのような多くのアプリケーションでは、ポイントアノテーションや近似セルカウントのような弱い形式のアノテーションがトレーニングに十分な監督を提供する。 本研究は,眼球形成過程から得られた細胞数を組み込むことで,デジタル病理学におけるマルチタスクネットワークのトレーニングを行うための新しい混合スーパービジョン手法を提案する。 本研究は,1)眼球運動によって得られた細胞数を補助的補助信号として利用し,初めてマルチタスクネットワークを訓練するデジタル病理学の混合スーパービジョン戦略を提案する。 2) このマルチタスクネットワークは,セルカウントとセルローカライゼーションのタスクを同時に学習するために設計されており,この2つのタスクの予測の不整合を解消し,トレーニングを規則化する一貫性損失を導入する。 ヘマトキシリン-エオシン染色組織像の2つのデータセットに対する実験により,本手法は最も弱いアノテーション形式を効果的に利用し,より強いアノテーションが制限された場合に性能を向上させることができることを示した。 これらの結果から,眼球由来の真理をネットワークトレーニングに統合し,リソース集約アノテーションの必要性を低減できる可能性が示唆された。

関連論文リスト

• 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)
• Cross-supervised Dual Classifiers for Semi-supervised Medical Image Segmentation [10.18427897663732]
  半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。 本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。 LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-05-25T16:23:39Z)
• Joint localization and classification of breast tumors on ultrasound images using a novel auxiliary attention-based framework [7.6620616780444974]
  本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。 提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
  論文  参考訳（メタデータ） (2022-10-11T20:14:13Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• A Histopathology Study Comparing Contrastive Semi-Supervised and Fully Supervised Learning [0.0]
  計算病理学におけるラベル付け負担を軽減するための自己教師型学習について検討する。 ImageNetの事前学習ネットワークは,Barlow Twinsを用いた自己教師型表現よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-10T19:04:08Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• W-Net: A Two-Stage Convolutional Network for Nucleus Detection in Histopathology Image [5.065311617930521]
  自動核検出のためのW字型ネットワークを提案する。 最初のサブタスクは、元の病理画像をバイナリマスクにマッピングし、次にバイナリマスクを密度マスクにマッピングする。 タスク分割後、タスクの難易度が大幅に低下し、ネットワーク全体の性能が向上する。
  論文  参考訳（メタデータ） (2021-10-26T13:00:16Z)
• Self-supervised driven consistency training for annotation efficient histopathology image analysis [13.005873872821066]
  大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。 本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。 また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T19:46:21Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。