Continual knowledge distillation for histopathology
| Orientador(a) (dc.contributor.advisor) | Ramos, Gabriel de Oliveira | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/9281736089055094 | pt_BR |
| Autor(a) (dc.contributor.author) | Rodrigues Neto, João Batista | |
| Autor(a) Lattes (dc.contributor.authorLattes) | http://lattes.cnpq.br/9283442143612476 | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2025-03-20T12:12:04Z | |
| dc.date.available (dc.date.available) | 2025-03-20T12:12:04Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2024-10-07 | |
| Abstract (dc.description.abstract) | With the emergence of computational pathology, many datasets were made public and challenges were published to encourage researches into developing assistant frameworks for pathology tasks. The analysis of histopathological slides, made by pathologists to detect tumorous cells or metastasis in tissue images, is one of such tasks, for which, computer vision had been successfully applied and even outperformed human expert levels. Despite the excellent results in the literature, the majority of approaches are dataset-dependent and lack generalization, making even the best documented models perform poorly when presented with different tissues. In this work, we designed a novel continuous learning method, that leverages the model generalization across datasets using enhanced knowledge distillation. We verified, through deep and extensive experimentation on 19 datasets, an overall improvement of 15,66% in comparison to common literature methods, and superior metrics in relation to models with full dataset availability. Also, our method was the only one to achieve positive forward (FWT) and backward (BWT) knowledge transfer indexes, considerably mitigating the catastrophic forgetting effect. | en |
| Resumo (dc.description.resumo) | Com o surgimento da patologia computadorizada, muitos datasets e competições foram publicados para incentivar pesquisadores a desenvolverem soluções que auxiliem nas tarefas da área da patologia. A análise de segmentos histopatológicos, conduzida por patologistas para detectar células cancerígenas ou metástases em imagens de tecido, é uma dessas tarefas, para a qual, visão computacional foi aplicada com sucesso e até superou o desempenho de especialistas. Apesar dos excelentes resultados na literatura, a maioria das abordagens é dependente do dataset usado e carecem de generalização, fazendo com que até os melhores modelos desempenhem mal quando apresentados a tecidos diferentes. Neste trabalho, nós desenvolvemos um novo método de aprendizagem contínua, que alavanca a generalização do modelo nos datasets usando uma destilação melhorada de conhecimento. Verificamos, através de profundos e extensos experimentos em 19 datasets, uma melhoria geral de 15,66% em comparação dos métodos comuns da literatura, e métricas superiores em relação a modelos com total disponibilidade de datasets. Além disso, nosso método foi o único a atingir índices positivos de transferência de conhecimento para frente (FWT) e para trás (BWT), mitigando consideravelmente o efeito de esquecimento catastrófico. | pt_BR |
| Agência de fomento (dc.description.sponsorship) | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/13563 | |
| Idioma (dc.language) | en | en |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| País da Instituição (dc.publisher.country) | Brasil | pt_BR |
| Departamento (dc.publisher.department) | Escola Politécnica | pt_BR |
| Sigla da Instituição (dc.publisher.initials) | Unisinos | pt_BR |
| Programa (dc.publisher.program) | Programa de Pós-Graduação em Computação Aplicada | pt_BR |
| Direitos de acesso ao documento (dc.rights) | openAccess | pt_BR |
| Assunto (dc.subject) | Aprendizagem contínua | pt_BR |
| Assunto (dc.subject) | Segmentação | pt_BR |
| Assunto (dc.subject) | Câncer | pt_BR |
| Assunto (dc.subject) | Histopatologia | pt_BR |
| Assunto (dc.subject) | Patologia | pt_BR |
| Assunto (dc.subject) | Continual learning | en |
| Assunto (dc.subject) | Segmentation | en |
| Assunto (dc.subject) | Cancer | en |
| Assunto (dc.subject) | Histopathology | en |
| Assunto (dc.subject) | Pathology | en |
| Tema (CNPq) (dc.subject.cnpq) | ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação | pt_BR |
| Título (dc.title) | Continual knowledge distillation for histopathology | pt_BR |
| Tipo de arquivo (dc.type) | Dissertação | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Joao Batista Rodrigues Neto_.pdf
- Tamanho:
- 3.77 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- continual_knowledge
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: