优化基础模型的转移学习,用于高光谱组织学成像的基础模型
Michael D Hellman1,2, Ling Ma1,2, James Yu1,2,3
1Center for Imaging and Surgical Innovation, University of Texas at Dallas, Richardson, TX.
概括
知识转移技术使得数字病理学中的高光谱成像 (HSI) 成为可能. 基础模型的端到端微调,使用低学习率和高重量衰变,证明对计算病理学有效.
科学领域:
- 计算病理学计算病理学
- 数字病理学数字病理学
- 医学成像分析分析 医学成像分析
背景情况:
- 超光谱成像 (HSI) 提供了先进的组织分析,但与传统的RGB成像相比,它面临着采用挑战.
- 在RGB数据上训练的基础模型具有HSI分析的潜力,但需要有效的知识转移策略.
研究的目的:
- 开发和评估技术,将知识从RGB训练的遗传病理基础模型转移到HSI数据.
- 通过使用HSI. 识别最佳的超参数,以便在计算病理学中转移知识.
主要方法:
- 在来自54名患者的89张全幻灯片HSI图像数据集上微调三个基础模型.
- 进行超参数搜索以确定转移学习的有效学习率和重量衰减.
主要成果:
- 端到端微调显示出优于其他知识传输方法的性能.
- 低学习率和高体重衰减被确定为这种转移学习任务的最佳超参数.
- 这些发现挑战了传统的方法,这些方法只专注于嵌入层培训.
结论:
- 已经建立了有效的技术,用于将RGB训练的基础模型适应计算病理学中的HSI数据.
- 该研究为利用现有的基础模型为基于HSI的先进数字病理学应用提供了实际框架.
相关概念视频
02:07Improving Translational Accuracy
14.1K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
14.1K
02:07Improving Translational Accuracy
3.5K
3.5K