講演名 | 2019-12-19 病理画像癌種別領域分割のための癌種比率を活用した学習手法 德永 宏樹(九大), 寺本 祐記(京大医学部附属病院), 吉澤 明彦(京大医学部附属病院), 備瀬 竜馬(九大/NII), |
---|---|
PDFダウンロードページ | PDFダウンロードページへ |
抄録(和) | 本研究では,少数の教師データと大量の教師なしデータからの半教師あり学習に,癌種比率の弱教師を利用する問題設定及び手法を提案する.機械学習を用いた病理画像領域分割を行うためには,手作業により作成された大量の教師データが必要となる.癌種別領域分割のためには,癌種領域を示す画素単位の教師データが必要であるが,病理画像は一般画像と異なり解像度が非常に高いことや,領域の境界が不明瞭であることから,学習のための十分な正解データ量の確保が難しい.一方で,病理診断後の病理画像には,腫瘍領域中の癌種の成分比率が記録されており,領域分割のための教師情報より劣る弱教師情報を持ったデータであれば大量に存在する.そこで本研究では,癌種比率情報のみから低コストに大量の癌種領域を示す教師データを作成する手法を提案する.この手法によって作成された教師データは一定割合のノイズデータを含むが,ノイズ除去を高精度に行うSelNLPLを行いクリーンなデータを抽出することで,癌種別領域分割の精度向上を実現した. |
抄録(英) | We propose a new problem setting and method that uses cancer type ratio as weak supervision for semi-supervised learning. In order to perform pathological image segmentation using machine learning, a large amount of supervised data is required. In order to segment the image into cancer type region, the cancer type region is necessary. However, unlike a general image, a pathological image has very high resolution and the boundary between regions is unclear. Therefore, we propose a method to create supervised data from cancer type ratio information at low cost. |
キーワード(和) | 病理画像解析 / 領域分割 / 半教師あり学習 / 弱教師あり学習 / 深層学習 |
キーワード(英) | |
資料番号 | PRMU2019-50 |
発行日 | 2019-12-12 (PRMU) |
研究会情報 | |
研究会 | PRMU |
---|---|
開催期間 | 2019/12/19(から2日開催) |
開催地(和) | 大分大学 |
開催地(英) | |
テーマ(和) | アート・グラフィクス・コンテンツ制作・教育への応用 |
テーマ(英) | |
委員長氏名(和) | 佐藤 洋一(東大) |
委員長氏名(英) | Yoichi Sato(Univ. of Tokyo) |
副委員長氏名(和) | 玉木 徹(広島大) / 木村 昭悟(NTT) |
副委員長氏名(英) | Toru Tamaki(Hiroshima Univ.) / Akisato Kimura(NTT) |
幹事氏名(和) | 入江 豪(NTT) / 牛久 祥孝(オムロンサイニックエックス) |
幹事氏名(英) | Go Irie(NTT) / Yoshitaka Ushiku(OMRON SINICX) |
幹事補佐氏名(和) | 内田 祐介(DeNA) / 山下 隆義(中部大) |
幹事補佐氏名(英) | Yusuke Uchida(DeNA) / Takayoshi Yamashita(Chubu Univ.) |
講演論文情報詳細 | |
申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding |
---|---|
本文の言語 | JPN-ONLY |
タイトル(和) | 病理画像癌種別領域分割のための癌種比率を活用した学習手法 |
サブタイトル(和) | |
タイトル(英) | |
サブタイトル(和) | |
キーワード(1)(和/英) | 病理画像解析 |
キーワード(2)(和/英) | 領域分割 |
キーワード(3)(和/英) | 半教師あり学習 |
キーワード(4)(和/英) | 弱教師あり学習 |
キーワード(5)(和/英) | 深層学習 |
第 1 著者 氏名(和/英) | 德永 宏樹 / Hiroki Tokunaga |
第 1 著者 所属(和/英) | 九州大学(略称:九大) Kyushu University(略称:Kyushu Univ.) |
第 2 著者 氏名(和/英) | 寺本 祐記 / Yuki Teramoto |
第 2 著者 所属(和/英) | 京都大学医学部附属病院(略称:京大医学部附属病院) Kyoto University Hospital(略称:Kyoto University Hospital) |
第 3 著者 氏名(和/英) | 吉澤 明彦 / Akihiko Yoshizawa |
第 3 著者 所属(和/英) | 京都大学医学部附属病院(略称:京大医学部附属病院) Kyoto University Hospital(略称:Kyoto University Hospital) |
第 4 著者 氏名(和/英) | 備瀬 竜馬 / Ryoma Bise |
第 4 著者 所属(和/英) | 九州大学/国立情報学研究所(略称:九大/NII) Kyushu University/National Institute of Informatics(略称:Kyushu Univ./NII) |
発表年月日 | 2019-12-19 |
資料番号 | PRMU2019-50 |
巻番号(vol) | vol.119 |
号番号(no) | PRMU-347 |
ページ範囲 | pp.23-27(PRMU), |
ページ数 | 5 |
発行日 | 2019-12-12 (PRMU) |