Core Concepts
限られた注釈予算の下で、大量の未注釈データを活用することで、高精度な病理組織学画像分類モデルを効率的に学習する。
Abstract
本研究では、病理組織学画像分類のための新しいアクティブ少量学習フレームワーク「Myriad Active Learning (MAL)」を提案した。MALは以下の特徴を持つ:
自己教師あり学習を用いて未注釈データの特徴表現を学習し、これに基づいて疑似ラベルを生成する。
疑似ラベルを活用して、マージン、エントロピーに基づく新しい不確実性尺度を定義し、サンプル多様性を高めるクエリ選択アルゴリズムを開発した。
2つの公開病理組織学データセットで実験を行い、従来手法と比較して、高精度かつ高効率な分類性能を示した。特に、全教師あり学習と同等の精度を、わずか5%の注釈データで達成できることを示した。
本研究は、限られた注釈予算下での病理組織学画像分類の新しいベンチマークを提供するものである。提案手法MALは、効率的な少量学習を実現する有効な手法であることが示された。
Stats
提案手法MALは、わずか5%の注釈データで、全教師あり学習と同等の精度96.16%を達成した。
1ショット学習の精度は48.7%、5ショット学習の精度は77.9%、10ショット学習の精度は87.1%であった。
Quotes
「限られた注釈予算の下で、大量の未注釈データを活用することで、高精度な病理組織学画像分類モデルを効率的に学習する」
「提案手法MALは、効率的な少量学習を実現する有効な手法である」