論文の概要: One-Shot Neural Architecture Search with Network Similarity Directed Initialization for Pathological Image Classification
- arxiv url: http://arxiv.org/abs/2506.14176v1
- Date: Tue, 17 Jun 2025 04:37:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-18 17:34:59.326983
- Title: One-Shot Neural Architecture Search with Network Similarity Directed Initialization for Pathological Image Classification
- Title（参考訳）: 病理画像分類のためのネットワーク類似性指向初期化を用いたワンショットニューラルアーキテクチャ探索
- Authors: Renao Yan,
- Abstract要約: 深層学習に基づく病理画像解析は,ネットワーク設計の実践的制約により,ユニークな課題を呈している。
既存のほとんどの方法では、病理画像の特徴を無視して、コンピュータビジョンモデルを直接医療タスクに適用している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based pathological image analysis presents unique challenges due to the practical constraints of network design. Most existing methods apply computer vision models directly to medical tasks, neglecting the distinct characteristics of pathological images. This mismatch often leads to computational inefficiencies, particularly in edge-computing scenarios. To address this, we propose a novel Network Similarity Directed Initialization (NSDI) strategy to improve the stability of neural architecture search (NAS). Furthermore, we introduce domain adaptation into one-shot NAS to better handle variations in staining and semantic scale across pathology datasets. Experiments on the BRACS dataset demonstrate that our method outperforms existing approaches, delivering both superior classification performance and clinically relevant feature localization.
- Abstract（参考訳）: 深層学習に基づく病理画像解析は,ネットワーク設計の実践的制約により,ユニークな課題を呈している。
既存のほとんどの方法では、病理画像の特徴を無視して、コンピュータビジョンモデルを直接医療タスクに適用している。
このミスマッチは、特にエッジコンピューティングのシナリオにおいて、計算の非効率性につながることが多い。
そこで我々は,ニューラルアーキテクチャサーチ(NAS)の安定性を向上させるため,新しいネットワーク類似性指向初期化(NSDI)戦略を提案する。
さらに,1ショットNASにドメイン適応を導入し,病的データセット間の染色や意味的スケールのばらつきをよりよく処理する。
BRACSデータセットを用いた実験により,本手法は既存の手法よりも優れており,優れた分類性能と臨床的に関連のある特徴ローカライゼーションを提供する。
関連論文リスト
- NeuRN: Neuro-inspired Domain Generalization for Image Classification [0.0]
哺乳類の視覚野のニューロンからインスピレーションを受ける神経誘発ニューラルレスポンスノーマライゼーション(Neural Response Normalization)層を導入する。
画像分類タスクにおけるベースラインに対する改善を示すことにより,NeuRNの有効性を実証した。
論文 参考訳（メタデータ） (2025-05-11T07:20:11Z) - Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg [3.379673965672007]
我々は、与えられたトレーニングデータセットの多様性を完全に活用するために、新しいデータ駆動型トレインタイムサンプリング戦略を導入する。
重度の解剖学的異常を有する被験者を対象に, セグメンテーション品質の顕著な改善を図った。
論文 参考訳（メタデータ） (2025-04-14T14:08:26Z) - Dual-channel Prototype Network for few-shot Classification of
Pathological Images [0.7562219957261347]
そこで我々はDual-channel Prototype Network (DCPN) を導入し, 限られたサンプルを用いた病理像の分類に挑戦する。
DCPNはMraamid Vision Transformerフレームワークを拡張して、自己教師付き学習を通じて数ショットの分類を行い、畳み込みニューラルネットワークと統合する。
この組み合わせは、マルチスケールで高精度な病理特徴を抽出するデュアルチャネルアーキテクチャを形成する。
論文 参考訳（メタデータ） (2023-11-14T03:03:21Z) - HNAS-reg: hierarchical neural architecture search for deformable medical
image registration [0.8249180979158817]
本稿では、変形可能な医用画像登録のための最適なネットワークアーキテクチャを特定するための階層型NASフレームワーク(HNAS-Reg)を提案する。
636T1重み付き磁気共鳴画像(MRI)からなる3つのデータセットに対する実験により,提案手法により,画像登録精度が向上し,モデルサイズが小さくなる深層学習モデルを構築することができることを示した。
論文 参考訳（メタデータ） (2023-08-23T21:47:28Z) - 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) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - End-to-end Neuron Instance Segmentation based on Weakly Supervised
Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。
私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文 参考訳（メタデータ） (2022-02-17T14:35:45Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳（メタデータ） (2020-08-26T17:59:36Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。