講演抄録/キーワード |
講演名 |
2022-01-26 15:00
[特別講演][特別講演]細胞画像解析のための効率的なラベル付与による機械学習 ○備瀬竜馬(九大) MI2021-66 |
抄録 |
(和) |
深層学習を初めとする教師あり機械学習は,バイオ医療画像解析分野においても,様々なタスクに用いられている.しかし,医学及び生物分野においては,正解ラベル(教師)作成には,専門知識が必須であり,誰でも教師ラベルを作成可能な一般物体認識タスクと比べて,教師データ作成コストが高い.そのため,多数のデータを保有していたとしてもその一部に教師ラベルを付与し,少量の教師データのみを用いて学習を行うことが多い.少数の教師データに加えてラベルが付与されていないその他のデータを効果的に活用することで,精度を向上させることができる(半教師あり学習).また,直接的な教師データではないが,間接的にそのタスクの答えに関係がある情報が,診断の過程で収集済みである等,人手を新たに使わず簡易に取得することが可能である場合がある.このような情報は,解きたいタスクに対して完全な答えではないが弱い教師として学習に活用できる可能性がある(弱教師あり学習).他にも,ドメインシフトという問題がある.教師データが特定の撮像装置,施設(病院A)で収集されるといったバイアスにより,異なる施設(病院B)で撮像したテストデータに対しては精度が低下するといった問題である.この問題に対応するために,病院Aで用意した教師データに加え,ターゲットとなる病院Bの教師なしデータを用いて学習を行うための手法がドメイン適応である.バイオ医療画像解析分野においては,教師ラベル付与のコストが非常に高いことからこのような一般的な教師あり学習では想定していない問題が多々あり,教師ラベルなしデータを効果的に活用することで,精度向上を図ることができる.本発表では,細胞画像解析における細胞検出,セグメンテーション,追跡といった学習タスクを例として,弱教師や教師なしデータを有効に活用して学習する手法について紹介する. |
(英) |
Supervised learning (e.g., deep learning) has been used for various tasks in biomedical image analysis. While supervised learning requires a lot of supervised data to achieve high performance in general, annotation costs in biomedical image analysis are much higher than those in general image analysis since it requires expert’s knowledge for annotation. Therefore, even if there is a large amount of data, a few data are only annotated and learning is often performed using a few supervised data. Semi-supervised learning tries to use unlabeled data in addition to the labeled data for improvement of performance. In addition, although it is not direct supervision for a task, there is related information about the task, which can be easily obtained without additional human annotation. Such information is often useful for learning as weak labels (weakly-supervised learning). Domain shift problem is also one of the major problems that lack labeled data. For example, model parameters trained using a dataset collected from a specific hospital (hospital A) cannot work well for the data collected from a different hospital (hospital B) due to different imaging setups. In order to address domain shift problem, domain adaptation methods use unlabeled data in hospital B in addition to the labeled data. In biomedical image analysis, there are many such problems. In this presentation, I will show effective semi-, weakly-supervised learning methods for cell image analysis. |
キーワード |
(和) |
細胞画像解析 / 半教師学習 / 弱教師学習 / 教師無しドメイン適応 / / / / |
(英) |
Cell image analysis / Semi-supervised learning / Weakly-supervised learning / Unsupervised domain adaptation / / / / |
文献情報 |
信学技報, vol. 121, no. 347, MI2021-66, pp. 88-88, 2022年1月. |
資料番号 |
MI2021-66 |
発行日 |
2022-01-18 (MI) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
MI2021-66 |