論文の概要: Cost-Effective Active Labeling for Data-Efficient Cervical Cell Classification

• arxiv url: http://arxiv.org/abs/2508.11340v1
• Date: Fri, 15 Aug 2025 09:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.828779
• Title: Cost-Effective Active Labeling for Data-Efficient Cervical Cell Classification
• Title（参考訳）: データ効率の良い頸部細胞分類のための費用効果能動ラベル
• Authors: Yuanlin Liu, Zhihan Zhou, Mingqiang Wei, Youyi Song,
• Abstract要約: 我々は,データ効率のよい頚椎細胞分類のために,はるかに少ない人的費用で代表訓練データセットを構築することができる能動的ラベリングを提案する。 このアルゴリズムは,不確実性を高速に推定することにより,構築したトレーニングデータセットの代表的能力を高めるための妥当性と有効性を示す。
• 参考スコア（独自算出の注目度）: 20.465551647264842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information on the number and category of cervical cells is crucial for the diagnosis of cervical cancer. However, existing classification methods capable of automatically measuring this information require the training dataset to be representative, which consumes an expensive or even unaffordable human cost. We herein propose active labeling that enables us to construct a representative training dataset using a much smaller human cost for data-efficient cervical cell classification. This cost-effective method efficiently leverages the classifier's uncertainty on the unlabeled cervical cell images to accurately select images that are most beneficial to label. With a fast estimation of the uncertainty, this new algorithm exhibits its validity and effectiveness in enhancing the representative ability of the constructed training dataset. The extensive empirical results confirm its efficacy again in navigating the usage of human cost, opening the avenue for data-efficient cervical cell classification.
• Abstract（参考訳）: 頸部がんの診断には, 頸部細胞数と分類に関する情報が不可欠である。 しかし、この情報を自動的に測定できる既存の分類法では、トレーニングデータセットを代表しなければなりません。 本稿では,データ効率のよい頚椎細胞分類のために,はるかに少ない人的費用で代表訓練データセットを構築することができる能動的ラベリングを提案する。 このコスト効率のよい方法は、ラベル付けされていない頸部の細胞画像に対する分類器の不確かさを効果的に利用し、ラベル付けに最も有用である画像を正確に選択する。 このアルゴリズムは,不確実性を高速に推定することにより,構築したトレーニングデータセットの代表的能力を高めるための妥当性と有効性を示す。 大規模な実証実験の結果、ヒトの費用をナビゲートし、データ効率の良い頸部細胞分類への道を開く効果が再び確認された。

関連論文リスト

• Ulcerative Colitis Mayo Endoscopic Scoring Classification with Active Learning and Generative Data Augmentation [2.5241576779308335]
  深層学習に基づく手法は、これらの画像の自動解析に有効であり、医師の助けになる可能性がある。 本稿では,能動的学習に基づく生成促進手法を提案する。 この方法は、実際の内視鏡画像からなる小さなデータセットを用いてトレーニングすることで、多数の合成サンプルを生成することを含む。
  論文  参考訳（メタデータ） (2023-11-10T13:42:21Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Efficient Medical Image Assessment via Self-supervised Learning [27.969767956918503]
  高性能なディープラーニング手法は通常、大きな注釈付きトレーニングデータセットに依存する。 本稿では,未ラベルの医用画像データの品質をランク付けするための,新規で効率的なデータアセスメント戦略を提案する。 SSL埋め込み空間の理論的な意味から,我々はMasked Autoencoderを用いて特徴抽出を行う。
  論文  参考訳（メタデータ） (2022-09-28T21:39:00Z)
• Adaptation of Autoencoder for Sparsity Reduction From Clinical Notes Representation Learning [0.19573380763700707]
  本稿では,臨床ノート表現の空間的縮小を生かしたオートエンコーダ学習アルゴリズムを提案する。 その動機は, 臨床注記表現特徴空間の次元を小さくすることで, スパースな高次元データを圧縮する方法を決定することである。 提案手法により,評価毎に最大3%の性能向上が得られた。
  論文  参考訳（メタデータ） (2022-09-26T16:37:37Z)
• ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
  本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。 本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
  論文  参考訳（メタデータ） (2022-05-10T15:39:11Z)
• Optimal Data Selection: An Online Distributed View [61.31708750038692]
  この問題のオンライン版と分散版のアルゴリズムを開発する。 ランダム選択法は, ランダム選択法よりも5～20%高い性能を示した。 ImageNet と MNIST の学習タスクにおいて、我々の選択方法はランダム選択よりも5-20% 高い性能を示した。
  論文  参考訳（メタデータ） (2022-01-25T18:56:16Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Active learning for medical code assignment [55.99831806138029]
  臨床領域における多ラベルテキスト分類におけるアクティブラーニング(AL)の有効性を示す。 MIMIC-IIIデータセットにICD-9コードを自動的に割り当てるために、よく知られたALメソッドのセットを適用します。 その結果、有益なインスタンスの選択は、大幅に減少したトレーニングセットで満足のいく分類を提供する。
  論文  参考訳（メタデータ） (2021-04-12T18:11:17Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• DeepCervix: A Deep Learning-based Framework for the Classification of Cervical Cells Using Hybrid Deep Feature Fusion Techniques [14.208643185430219]
  女性の中で最も多い致死性癌の1つである頸部がんは、早期に再発性病変を検出するために、定期的な検診によって予防することができる。 手動スクリーニングの実践を改善するため, 機械学習(ML)と深層学習(DL)を用いたコンピュータ支援診断(CAD)システムを用いて, 頚部乳頭細胞の分類を行った。 本研究は, dlに基づくハイブリッド型深部機能融合(hdff)技術を提案し, 頸椎細胞を正確に分類する。
  論文  参考訳（メタデータ） (2021-02-24T10:34:51Z)
• Uncertainty-Aware Semi-supervised Method using Large Unlabelled and Limited Labeled COVID-19 Data [14.530328267425638]
  新型コロナウイルス自動検出のための限定ラベルデータ(SCLLD)を用いた半監視分類を提案する。 提案システムは,近江病院から収集した1万個のCTスキャンを用いて訓練する。 本手法は,ラベル付きトレーニングデータが少ない場合に,Convolutional Neural Network (CNN) の教師付きトレーニングを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-02-12T08:20:20Z)

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。