One model is all you need: Multi-task learning enables simultaneous histology image segmentation and classification

Graham, Simon; Vu, Quoc Dang; Jahanifar, Mostafa; Raza, Shan E. Ahmed; Minhas, Fayyaz ul Amir Afsar; Snead, David; Rajpoot, Nasir M.

doi:10.1016/j.media.2022.102685

Cited by 60 publications

(24 citation statements)

References 57 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…L'effet du premier apprentissage peut donc faire partie des éléments à prendre en compte pour une explication du système final ; c'est pourquoi l'accès au corpus du premier apprentissage est désirable. L'apprentissage par transfert ou par apprentissage multi-tâche peut aussi être une technique d'élaboration de systèmes explicatifs, après avoir été au départ un moyen d'étude des phénomènes de facilitation de l'apprentissage par l'adjonction d'apprentissages simultanés [27,28,29]. Nous abordons ici une technique qui est propre aux neuromimes et s'éloigne des paradigmes de l'apprentissage statistique.…”

Section: Modularité Apprentissage Par Transfert Apprentissage Multi-t...unclassified

Explicabilité en Intelligence Artificielle ; vers une IA Responsable - Instanciation dans le domaine de la santé

RACOCEANU¹,

OUNISSI²,

KERGOSIEN³

2022

Technologies Logicielles Architectures Des Systèmes

View full text Add to dashboard Cite

Essentielle pour une adoption efficace comme pour une utilisation avisée et objective de l'Intelligence Artificielle (IA), l'explicabilité est un véritable verrou de l'évolution de ces technologies, en particulier concernant l'apprentissage automatique et profond. Sans une réelle explicabilité des algorithmes proposés, ces technologies resteront une boîte noire pour les professionnels de santé (et pas seulement), chercheurs, ingénieurs, techniciens -qui assument (et vont continuer à assumer) la pleine responsabilité de leurs actes. De plus en plus, les ingénieurs exploitants et concepteurs d'outils d'IA devront donc faire preuve de responsabilité, en fournissant des algorithmes permettant de garantir l'explicabilité des modèles proposés. Cet article présente les motivations d'une IA explicable, les principales caractéristiques du paysage conceptuel de l'explicabilité en IA, les grandes familles de méthodes pour l'explicabilité -avec un focus sur quelques méthodes parmi les plus courantes, pour finir sur un aperçu des opportunités, challenges et perspectives de ce domaine passionnant de l'interaction homme-machine. En effet, c'est uniquement par une bonne compréhension des challenges associés à cette révolution technologique que nous pourrons la transformer en atout pour nos entreprises ainsi que pour l'ensemble de nos acteurs, partenaires et clients humains.

show abstract

Section: Modularité Apprentissage Par Transfert Apprentissage Multi-t...unclassified

Explicabilité en Intelligence Artificielle ; vers une IA Responsable - Instanciation dans le domaine de la santé

RACOCEANU¹,

OUNISSI²,

KERGOSIEN³

2022

Technologies Logicielles Architectures Des Systèmes

View full text Add to dashboard Cite

show abstract

“…in 2019 [18], and has since been adopted by several publications on instance segmentation in digital pathology [19,20,21]. It is also the metric chosen by the Colon Nuclei Identification and Counting (CoNIC) 2022 challenge [22].…”

Section: Discussionmentioning

confidence: 99%

Evaluating participating methods in image analysis challenges: Lessons from MoNuSAC 2020

Foucart

Debeir

Decaestecker

2023

Pattern Recognition

View full text Add to dashboard Cite

“…These methods explicitly model the intra-nucleus structure but are limited by the non-learnable representations. Nowadays, most nuclei classifiers adopt CNNs with two stages, detecting nuclei instances and then labeling them [5], [15]- [18]. Sirinukunwattana [19] propose a CNN to detect nuclei centers and another CNN to classify the image patches containing a nucleus.…”

Section: A Nuclei Classification For Histopathology Imagesmentioning

confidence: 99%

Which Pixel to Annotate: A Label-Efficient Nuclei Segmentation Framework

Lou

et al. 2023

IEEE Trans. Med. Imaging

View full text Add to dashboard Cite

One model is all you need: Multi-task learning enables simultaneous histology image segmentation and classification

Cited by 60 publications

References 57 publications

Explicabilité en Intelligence Artificielle ; vers une IA Responsable - Instanciation dans le domaine de la santé

Explicabilité en Intelligence Artificielle ; vers une IA Responsable - Instanciation dans le domaine de la santé

Evaluating participating methods in image analysis challenges: Lessons from MoNuSAC 2020

Which Pixel to Annotate: A Label-Efficient Nuclei Segmentation Framework

Contact Info

Product

Resources

About