論文の概要: Adaptation of Weakly Supervised Localization in Histopathology by Debiasing Predictions

• arxiv url: http://arxiv.org/abs/2603.12468v1
• Date: Thu, 12 Mar 2026 21:34:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.772859
• Title: Adaptation of Weakly Supervised Localization in Histopathology by Debiasing Predictions
• Title（参考訳）: Debiasing Predictions による病理組織における弱視的局所化の適応
• Authors: Alexis Guichemerre, Banafsheh Karimian, Soufiane Belharbi, Natacha Gillet, Nicolas Thome, Pourya Shamsolmoali, Mohammadhadi Shateri, Luke McCaffrey, Eric Granger,
• Abstract要約: Weakly Supervised Object Localization (WSOL) モデルは、組織像における関節分類と関心領域の局所化を可能にする。 分散シフトは、ターゲットドメインにデプロイされた場合、パフォーマンス劣化の大きな原因である。 sfdadepは、機械学習にインスパイアされた手法で、予測バイアスを特定し修正する反復的なプロセスとしてSFDAを定式化する。
• 参考スコア（独自算出の注目度）: 31.806257074649196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Weakly Supervised Object Localization (WSOL) models enable joint classification and region-of-interest localization in histology images using only image-class supervision. When deployed in a target domain, distributions shift remains a major cause of performance degradation, especially when applied on new organs or institutions with different staining protocols and scanner characteristics. Under stronger cross-domain shifts, WSOL predictions can become biased toward dominant classes, producing highly skewed pseudo-label distributions in the target domain. Source-Free (Unsupervised) Domain Adaptation (SFDA) methods are commonly employed to address domain shift. However, because they rely on self-training, the initial bias is reinforced over training iterations, degrading both classification and localization tasks. We identify this amplification of prediction bias as a primary obstacle to the SFDA of WSOL models in histopathology. This paper introduces \sfdadep, a method inspired by machine unlearning that formulates SFDA as an iterative process of identifying and correcting prediction bias. It periodically identifies target images from over-predicted classes and selectively reduces the predictive confidence for uncertain (high entropy) images, while preserving confident predictions. This process reduces the drift of decision boundaries and bias toward dominant classes. A jointly optimized pixel-level classifier further restores discriminative localization features under distribution shift. Extensive experiments on cross-organ and -center histopathology benchmarks (glas, CAMELYON-16, CAMELYON-17) with several WSOL models show that SFDA-DeP consistently improves classification and localization over state-of-the-art SFDA baselines. {\small Code: \href{https://anonymous.4open.science/r/SFDA-DeP-1797/}{anonymous.4open.science/r/SFDA-DeP-1797/}}
• Abstract（参考訳）: Weakly Supervised Object Localization (WSOL) モデルは、画像クラスのみの監督を用いて、組織像の結合分類と関心領域のローカライゼーションを可能にする。 ターゲット領域に配置する場合、特に染色プロトコルとスキャナ特性が異なる新しい臓器や機関に適用した場合、分散シフトがパフォーマンス劣化の大きな原因となる。 強いクロスドメインシフトの下では、WSOL予測は支配的なクラスに偏り、ターゲットドメイン内で高度に歪んだ擬似ラベル分布を生成する。 Source-Free (Unsupervised) Domain Adaptation (SFDA) メソッドはドメインシフトに対処するために一般的に使用される。 しかし、これらは自己学習に依存しているため、最初のバイアスはトレーニングイテレーションよりも強化され、分類タスクとローカライゼーションタスクの両方が劣化する。 この予測バイアスの増幅は、病理組織学におけるWSOLモデルのSFDAの主要な障害である。 本稿では,SFDAを予測バイアスの同定と修正の反復的プロセスとして定式化する,機械学習にインスパイアされた手法である \sfdadep を紹介する。 過度に予測されたクラスからターゲットイメージを定期的に識別し、確実な(高いエントロピー)イメージに対する予測信頼性を選択的に低減し、確実な予測を保存する。 このプロセスは決定境界のドリフトを減少させ、支配的なクラスへのバイアスを減少させる。 共同最適化画素レベル分類器は、分散シフト下での識別的局所化特徴を更に復元する。 複数のWSOLモデルを用いたクロスオーガニックおよびセンター組織学ベンチマーク(グラス、CAMELYON-16、CAMELYON-17)の大規模な実験により、SFDA-DePは最先端のSFDAベースラインの分類とローカライゼーションを一貫して改善していることが示された。 小コード: \href{https://anonymous.4open.science/r/SFDA-DeP-1797/}{anonymous.4open.science/r/SFDA-DeP-1797/}}

関連論文リスト

• Source-Free Domain Adaptation of Weakly-Supervised Object Localization Models for Histology [8.984366988153116]
  癌度に応じて組織像を分類するために、WSOL(Deep weakly supervised Object Localization)モデルを訓練することができる。 ラベル付きソースイメージデータに基づいてトレーニングされたWSOLモデルは、ラベルなしターゲットデータを使用して適用することができる。 本稿では,ソースフリー(教師なし)ドメイン適応(SFDA)に着目し,事前学習したソースモデルを新たなターゲットドメインに適応させるという課題について述べる。
  論文  参考訳（メタデータ） (2024-04-29T21:25:59Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Predicting Class Distribution Shift for Reliable Domain Adaptive Object Detection [2.5193191501662144]
  Unsupervised Domain Adaptive Object Detection (UDA-OD) は、オープンワールド環境におけるロボットビジョンシステムの信頼性を向上させるために、非ラベルデータを使用する。 自己学習に基づくUDA-ODに対する従来のアプローチは、画像の一般的な外観の変化を克服するのに有効である。 本稿では,自己学習における疑似ラベルの信頼性を向上させるために,クラス分散シフトに明示的に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-13T00:46:34Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Consistent Posterior Distributions under Vessel-Mixing: A Regularization for Cross-Domain Retinal Artery/Vein Classification [30.30848090813239]
  網膜A/V分類におけるクロスドメイン学習のための船舶混合型整合性正規化フレームワークを提案する。 提案手法は,対象ドメインに対する教師付き学習によって得られる上界に近い,最先端のクロスドメイン性能を実現する。
  論文  参考訳（メタデータ） (2021-03-16T14:18:35Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。