論文の概要: Self-Paced Learning for Images of Antinuclear Antibodies

• arxiv url: http://arxiv.org/abs/2511.21519v1
• Date: Wed, 26 Nov 2025 15:50:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.179781
• Title: Self-Paced Learning for Images of Antinuclear Antibodies
• Title（参考訳）: 抗核抗体画像のための自己ペースト学習
• Authors: Yiyang Jiang, Guangwu Qian, Jiaxin Wu, Qi Huang, Qing Li, Yongkang Wu, Xiao-Yong Wei,
• Abstract要約: 抗核抗体(ANA)検査は、ループス、シェーグレン症候群、硬化症などの自己免疫疾患を診断するための重要な方法である。 ANA検出は100種以上存在する抗体型によって複雑になり、蛍光パターンの組み合わせが大きくなる。 本稿では,手作業による事前処理を伴わない顕微鏡画像を用いたMIMLタスクの複雑度を扱う新しいANA検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 17.410595974529457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Antinuclear antibody (ANA) testing is a crucial method for diagnosing autoimmune disorders, including lupus, Sjögren's syndrome, and scleroderma. Despite its importance, manual ANA detection is slow, labor-intensive, and demands years of training. ANA detection is complicated by over 100 coexisting antibody types, resulting in vast fluorescent pattern combinations. Although machine learning and deep learning have enabled automation, ANA detection in real-world clinical settings presents unique challenges as it involves multi-instance, multi-label (MIML) learning. In this paper, a novel framework for ANA detection is proposed that handles the complexities of MIML tasks using unaltered microscope images without manual preprocessing. Inspired by human labeling logic, it identifies consistent ANA sub-regions and assigns aggregated labels accordingly. These steps are implemented using three task-specific components: an instance sampler, a probabilistic pseudo-label dispatcher, and self-paced weight learning rate coefficients. The instance sampler suppresses low-confidence instances by modeling pattern confidence, while the dispatcher adaptively assigns labels based on instance distinguishability. Self-paced learning adjusts training according to empirical label observations. Our framework overcomes limitations of traditional MIML methods and supports end-to-end optimization. Extensive experiments on one ANA dataset and three public medical MIML benchmarks demonstrate the superiority of our framework. On the ANA dataset, our model achieves up to +7.0% F1-Macro and +12.6% mAP gains over the best prior method, setting new state-of-the-art results. It also ranks top-2 across all key metrics on public datasets, reducing Hamming loss and one-error by up to 18.2% and 26.9%, respectively. The source code can be accessed at https://github.com/fletcherjiang/ANA-SelfPacedLearning.
• Abstract（参考訳）: 抗核抗体(ANA)検査は、ループス、シェーグレン症候群、硬化症などの自己免疫疾患を診断するための重要な方法である。 その重要性にもかかわらず、手動のANA検出は遅く、労働集約的であり、何年もの訓練を必要とする。 ANA検出は100種以上存在する抗体型によって複雑になり、蛍光パターンの組み合わせが大きくなる。 機械学習とディープラーニングは自動化を実現しているが、実際の臨床環境でのANA検出は、マルチインスタンス、マルチラベル(MIML)学習にまつわる固有の課題を示す。 本稿では,手作業による前処理を伴わない顕微鏡画像を用いて,MIMLタスクの複雑度を扱う新しいANA検出フレームワークを提案する。 人間のラベル付けロジックにインスパイアされ、一貫性のあるANAサブリージョンを特定し、それに従って集約されたラベルを割り当てる。 これらのステップは、インスタンスサンプリング、確率的擬似ラベルディスパッチ、自己ペースト学習率係数の3つのタスク固有のコンポーネントを使用して実装される。 インスタンスサンプリング器はパターン信頼度をモデル化することで低信頼のインスタンスを抑圧し、ディスパッチ器はインスタンス識別性に基づいてラベルを適応的に割り当てる。 セルフペースト学習は経験的ラベルの観察に従ってトレーニングを調整する。 我々のフレームワークは従来のMIMLメソッドの制限を克服し、エンドツーエンドの最適化をサポートする。 1つのANAデータセットと3つの公開医療用MIMLベンチマークに関する大規模な実験は、我々のフレームワークの優位性を実証している。 ANAデータセットでは,F1-Macroの最大値が+7.0%,mAPの最大値が+12.6%に達し,最新の結果が得られた。 また、公開データセット上のすべての主要な指標のトップ2にランク付けし、ハミングの損失と1エラーをそれぞれ18.2%、26.9%削減している。 ソースコードはhttps://github.com/fletcherjiang/ANA-SelfPacedLearningでアクセスできる。

関連論文リスト

• Crucial-Diff: A Unified Diffusion Model for Crucial Image and Annotation Synthesis in Data-scarce Scenarios [65.97836905826145]
  医療、産業、自動運転といったさまざまなシナリオにおけるデータの不足は、モデルの過度な適合とデータセットの不均衡につながる。 重要なサンプルを合成するドメインに依存しないフレームワークであるCrucial-Diffを提案する。 我々のフレームワークは多様な高品質なトレーニングデータを生成し、ピクセルレベルのAPは83.63%、F1-MAXは78.12%である。
  論文  参考訳（メタデータ） (2025-07-14T04:41:38Z)
• Forget-MI: Machine Unlearning for Forgetting Multimodal Information in Healthcare Settings [5.200386658850142]
  Forget-MIはマルチモーダル医療データのための新しい機械学習手法である。 テストデータセットのパフォーマンス、テストデータセットのパフォーマンス、およびメンバーシップ推論攻撃(MIA)を用いて結果を評価する。 提案手法はMIAを0.202削減し,AUCとF1のスコアを0.221と0.305に下げる。
  論文  参考訳（メタデータ） (2025-06-29T08:53:23Z)
• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
  メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。 この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。 入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
  論文  参考訳（メタデータ） (2024-05-10T02:26:35Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Meta Auxiliary Learning for Facial Action Unit Detection [84.22521265124806]
  マルチタスク方式でAU検出と表情認識を学習することを検討する。 マルチタスクシナリオにおける負の転送のため、AU検出タスクの性能を常に向上することはできない。 トレーニングFEサンプルの適応重みをメタラーニング方式で学習し,高相関なFEサンプルを自動的に選択するメタラーニング法(MAL)を提案する。
  論文  参考訳（メタデータ） (2021-05-14T02:28:40Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。