一种基于预测损失的积极学习方法,用于在工作场所进行强大的癌症病理图像分析
Mujin Kim1, Willmer Rafell Quiñones Robles1, Young Sin Ko2
1Graduate School of Data Science, Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology, Daejeon, South Korea.
BMC medical imaging
|January 3, 2024
概括
本研究介绍了一种强大的积极学习 (AL) 方法,用于病理图像分析,有效地处理工作场所环境中常见的噪音数据集. 这种方法尽量减少错误数据的选择,提高癌症诊断模型的准确性.
科学领域:
- 计算病理学计算病理学
- 医疗图像分析 医学图像分析
- 机器学习用于医疗保健
背景情况:
- 卷积神经网络 (CNN) 需要大量的数据来进行病理图像分析.
- 积极学习 (AL) 解决了数据稀缺问题,但也与工作场所的杂病理数据作斗争.
- 现有的AL方法可以通过选择噪音图像补丁来降低效率.
研究的目的:
- 为癌症病理学图像分析开发一种强大的主动学习 (AL) 方法.
- 通过减轻噪音数据集的影响来提高AL的效率.
- 为工作场所病理图像处理创建可靠的分类模型.
主要方法:
- 一种三步方法,涉及损失预测模块,预测损失价值收集和数据采样.
- 利用预测的损失值来量化未标记数据中的信息.
- 通过灵敏度分析确定一个值来过噪音数据.
主要成果:
- 提出的方法实现了高性能 (91.7%的噪音, 92.4%的清洁数据集) 与最小的性能降低 (<1%).
- 噪音选择比率显著降低,平均每次代仅为2.93%.
- 通过在选择过程中避免噪音数据,证明了强大的性能.
结论:
- 该AL方法有效地处理杂的组织病理学数据集,提高可靠性.
- 该方法通过增强数据查和模型性能,为医学图像分析做出了贡献.
- 允许在实际环境中开发癌症病理学的强大的分类模型.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:32Author Spotlight: Investigating Immune Cell Dynamics in the Tumor Microenvironment — Challenges and Innovations in Cancer Prognosis
Published on: April 12, 2024
1.3K
