論文の概要: Patherea: Cell Detection and Classification for the 2020s

• arxiv url: http://arxiv.org/abs/2412.16425v1
• Date: Sat, 21 Dec 2024 01:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:01:36.268448
• Title: Patherea: Cell Detection and Classification for the 2020s
• Title（参考訳）: Patherea:2020年代の細胞検出と分類
• Authors: Dejan Štepec, Maja Jerše, Snežana Đokić, Jera Jeruc, Nina Zidar, Danijel Skočaj,
• Abstract要約: Pathereaは、ポイントベースの細胞検出と分類のためのフレームワークである。 最先端のアプローチの開発と評価のための完全なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a Patherea, a framework for point-based cell detection and classification that provides a complete solution for developing and evaluating state-of-the-art approaches. We introduce a large-scale dataset collected to directly replicate a clinical workflow for Ki-67 proliferation index estimation and use it to develop an efficient point-based approach that directly predicts point-based predictions, without the need for intermediate representations. The proposed approach effectively utilizes point proposal candidates with the hybrid Hungarian matching strategy and a flexible architecture that enables the usage of various backbones and (pre)training strategies. We report state-of-the-art results on existing public datasets - Lizard, BRCA-M2C, BCData, and the newly proposed Patherea dataset. We show that the performance on existing public datasets is saturated and that the newly proposed Patherea dataset represents a significantly harder challenge for the recently proposed approaches. We also demonstrate the effectiveness of recently proposed pathology foundational models that our proposed approach can natively utilize and benefit from. We also revisit the evaluation protocol that is used in the broader field of cell detection and classification and identify the erroneous calculation of performance metrics. Patherea provides a benchmarking utility that addresses the identified issues and enables a fair comparison of different approaches. The dataset and the code will be publicly released upon acceptance.
• Abstract（参考訳）: 本稿では,ポイントベース細胞検出・分類のためのフレームワークであるPathereaについて述べる。 我々は,Ki-67増殖指数推定のための臨床ワークフローを直接再現するために収集された大規模データセットを導入し,それを用いて,中間表現を必要とせずに,点ベースの予測を直接予測する効率的な点ベースのアプローチを開発した。 提案手法は,多種多様なバックボーンと(事前)学習戦略の使用を可能にする,ハイブリッドハンガリーマッチング戦略と柔軟なアーキテクチャを用いて,ポイント提案候補を効果的に活用する。 既存の公開データセット(Lizard, BRCA-M2C, BCData, 新たに提案したPathereaデータセット)について, 最新の結果について報告する。 既存の公開データセットのパフォーマンスは飽和しており、新しく提案されたPathereaデータセットは、最近提案されたアプローチにとって非常に難しい課題であることを示す。 また,最近提案された病理基盤モデルの有効性を示す。 また,細胞検出・分類の幅広い分野で用いられる評価プロトコルを再検討し,性能指標の誤計算を同定する。 Pathereaは、特定された問題に対処し、異なるアプローチの公正な比較を可能にするベンチマークユーティリティを提供する。 データセットとコードは、受理時に公開される。

関連論文リスト

• Rethinking the Effectiveness of Graph Classification Datasets in Benchmarks for Assessing GNNs [7.407592553310068]
  本稿では,単純な手法とGNN間の性能差を調べるための,公正なベンチマークフレームワークに基づく経験的プロトコルを提案する。 また,データセットの複雑性とモデル性能を両立させることにより,データセットの有効性を定量化する新しい指標を提案する。 我々の発見は、ベンチマークデータセットの現在の理解に光を当て、新しいプラットフォームは、グラフ分類ベンチマークの将来的な進化を後押しする可能性がある。
  論文  参考訳（メタデータ） (2024-07-06T08:33:23Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• When is Off-Policy Evaluation (Reward Modeling) Useful in Contextual Bandits? A Data-Centric Perspective [64.73162159837956]
  ログ化されたデータセットだけで仮説的ターゲットポリシーの価値を評価することは重要だが、難しい。 データ中心のフレームワークであるDataCOPEを提案する。 医療データセットを用いたログ化された文脈的帯域設定におけるDataCOPEの実証分析により、機械学習と人間の専門家ポリシーの両方を評価する能力が確認された。
  論文  参考訳（メタデータ） (2023-11-23T17:13:37Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Going beyond research datasets: Novel intent discovery in the industry setting [60.90117614762879]
  本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。 ドメイン内データに基づく事前学習型言語モデルの利点を示す。 また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
  論文  参考訳（メタデータ） (2023-05-09T14:21:29Z)
• Comparison of Model-Free and Model-Based Learning-Informed Planning for PointGoal Navigation [10.797100163772482]
  我々は,最先端のDeep Reinforcement Learningに基づくアプローチと,ポイントゴールナビゲーション問題に対する部分観測可能なマルコフ決定プロセス(POMDP)の定式化を比較した。 私たちは、SOTA DD-PPOアプローチよりも若干パフォーマンスが劣るが、データが少ないことを示しています。
  論文  参考訳（メタデータ） (2022-12-17T05:23:54Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• A Recommendation Approach based on Similarity-Popularity Models of Complex Networks [1.385805101975528]
  そこで本研究では,類似性傾向モデルにより生成された複雑なネットワークをベースとした新しい推薦手法を提案する。 まず、観測されたレーティングからユーザとアイテムをノードとして持つネットワークモデルを構築し、そのモデルを用いて未知のレーティングを予測する。 提案手法は, 各種ドメインの21データセットに対して, ベースラインと最先端のレコメンデーション手法に対して, 提案手法を実装, 実験的に比較した。
  論文  参考訳（メタデータ） (2022-09-29T11:00:06Z)
• Multi-view Data Classification with a Label-driven Auto-weighted Strategy [32.581793437017716]
  ラベルの観点から,ビューの重要性を評価するための自己重み付け戦略を提案する。 この戦略に基づいて,トランスダクティブな半教師付き自動重み付きマルチビュー分類モデルを提案する。 提案手法は,最適あるいは準最適の分類精度を最小計算コストで達成する。
  論文  参考訳（メタデータ） (2022-01-03T15:27:54Z)
• Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance [30.452492118887182]
  ドメイン適応とは、ソースデータから学習したモデルを対象データに適用する学習シナリオを指す。 ソースデータとターゲットデータとの分布差は、適応性能に大きく影響する。 多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-09T02:32:48Z)

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。