HistoKT:計算病理学におけるクロス知識移転【JST・京大機械翻訳】

Zhang Ryan; Zhu Jiadai; Yang Stephen; Hosseini Mahdi S.; Genovese Angelo; Chen Lina; Rowsell Corwyn; Damaskinos Savvas; Varma Sonal; Plataniotis Konstantinos N.

プレプリント

J-GLOBAL ID：202202210668849333 整理番号：22P0280406

HistoKT:計算病理学におけるクロス知識移転【JST・京大機械翻訳】

HistoKT: Cross Knowledge Transfer in Computational Pathology

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (10件)： , , , , , , , , ,
資料名：
発行年： 2022年01月26日プレプリントサーバーでの情報更新日： 2022年01月26日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

計算病理学(CPath)におけるよく注釈されたデータセットの欠如は,医用画像を分類するための深層学習技術の応用を妨げる。%Siness病理学者時間は高価であり,データセットキュレーションは本質的に困難である。多くのCPathワークフローは,転送学習を通して様々な画像ドメイン間の学習知識を伝達する。現在,ほとんどの転送学習研究は,モデル中心アプローチに従い,ネットワークパラメータを調整し,少数のデータセットで転送結果を改善する。本論文では,転送学習問題に対するデータ中心アプローチを取り上げ,組織病理学的データセット間の一般化可能な知識の存在を調べた。最初に,既存の組織病理学的データを集約するための標準化ワークフローを作成した。次に,複数の組織病理学的データセットにわたってResNet18モデルを訓練することによりドメイン間知識を測定し,それらの間の交差移動により自然共有知識の量と質を決定した。さらに,追加訓練なしでモデル間の知識を共有するために,重み蒸留を使用した。著者らは,学習が困難であり,マルチクラスデータセットが予訓練から最も利益を得て,ImageNetのような大きなソースドメインを組み込んだ2段階学習フレームワークが,より小さなデータセットのより良い利用を可能にすることを見出した。さらに,重量蒸留は,外部自然画像データを用いたモデルよりも,純粋な組織病理学的特徴で訓練されたモデルを可能にすることを見出した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 医用画像処理

, ,

前のページに戻る