論文の概要: Continual Learning for Domain Adaptation in Chest X-ray Classification
- arxiv url: http://arxiv.org/abs/2001.05922v1
- Date: Thu, 16 Jan 2020 16:20:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:43:55.876833
- Title: Continual Learning for Domain Adaptation in Chest X-ray Classification
- Title(参考訳): 胸部X線分類における領域適応の連続学習
- Authors: Matthias Lenga, Heinrich Schulz, Axel Saalbach
- Abstract要約: 共同学習(JT)、弾性ウェイト強化(EWC)、学習不要学習(LWF)など、継続学習(CL)の分野からの技術について検討する。
この結果、ソースドメインからデータにアクセスしなくても、LWFの競合的な結果が得られる一方で、全体的なパフォーマンスはJTで最高のものになった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the last years, Deep Learning has been successfully applied to a broad
range of medical applications. Especially in the context of chest X-ray
classification, results have been reported which are on par, or even superior
to experienced radiologists. Despite this success in controlled experimental
environments, it has been noted that the ability of Deep Learning models to
generalize to data from a new domain (with potentially different tasks) is
often limited. In order to address this challenge, we investigate techniques
from the field of Continual Learning (CL) including Joint Training (JT),
Elastic Weight Consolidation (EWC) and Learning Without Forgetting (LWF). Using
the ChestX-ray14 and the MIMIC-CXR datasets, we demonstrate empirically that
these methods provide promising options to improve the performance of Deep
Learning models on a target domain and to mitigate effectively catastrophic
forgetting for the source domain. To this end, the best overall performance was
obtained using JT, while for LWF competitive results could be achieved - even
without accessing data from the source domain.
- Abstract(参考訳): 過去数年間、ディープラーニングは幅広い医療応用にうまく適用されてきた。
特に胸部x線分類の文脈では、経験豊富な放射線科医と同等かそれ以上に良い結果が報告されている。
制御された実験環境での成功にもかかわらず、深層学習モデルが新しいドメイン(潜在的に異なるタスクを含む)のデータに一般化する能力は、しばしば制限されている。
この課題に対処するため,JT(Joint Training)やElastic Weight Consolidation(Elastic Weight Consolidation),LWF(Learning Without Forgetting)など,継続学習(CL)の分野のテクニックを調査した。
我々は、ChestX-ray14とMIMIC-CXRデータセットを用いて、これらの手法が、ターゲットドメインにおけるディープラーニングモデルの性能向上と、ソースドメインの破滅的な忘れを効果的に軽減するための有望なオプションを提供することを実証的に示す。
この結果、ソースドメインからデータにアクセスしなくても、LWFの競争結果が得られる一方で、全体的なパフォーマンスはJTで最高のものになった。
関連論文リスト
- BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in
heterogeneous data with cross-domain self-supervised learning [1.7479385556004874]
BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。
従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
論文 参考訳(メタデータ) (2024-02-09T16:10:13Z) - UniChest: Conquer-and-Divide Pre-training for Multi-Source Chest X-Ray
Classification [39.149526285927664]
UniChestはConquer-and-Divide事前トレーニングフレームワークで、複数のCXRソースのコラボレーション利益をフル活用することを目的としている。
我々は、ChestX-ray14、CheXpert、Vindr-CXR、深セン、Open-I、SIIM-ACR Pneumothoraxなどの多くのベンチマークで徹底的な実験を行った。
論文 参考訳(メタデータ) (2023-12-18T09:16:48Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Self-supervised Model Based on Masked Autoencoders Advance CT Scans
Classification [0.0]
本稿では,自己教師付き学習アルゴリズムMAEに着想を得た。
ImageNetで事前トレーニングされたMAEモデルを使用して、CT Scansデータセット上で転送学習を実行する。
この方法はモデルの一般化性能を改善し、小さなデータセットに過度に適合するリスクを回避する。
論文 参考訳(メタデータ) (2022-10-11T00:52:05Z) - Tackling Long-Tailed Category Distribution Under Domain Shifts [50.21255304847395]
既存のアプローチでは、両方の問題が存在するシナリオに対処できません。
本研究では,分散校正型分類損失,視覚意味マッピング,セマンティック類似性誘導拡張の3つの新しい機能ブロックを設計した。
AWA2-LTSとImageNet-LTSという2つの新しいデータセットが提案された。
論文 参考訳(メタデータ) (2022-07-20T19:07:46Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳(メタデータ) (2022-07-17T07:05:39Z) - CXR-FL: Deep Learning-based Chest X-ray Image Analysis Using Federated
Learning [0.0]
本稿では,胸部X線画像解析のための深層学習モデルの評価を行う。
本研究は, 関心領域の訓練により, 肺のセグメンテーションに還元された場合には, 全体像と比較して, 分類モデルの性能が悪くなることを示す。
論文 参考訳(メタデータ) (2022-04-11T15:47:54Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - Interpretable COVID-19 Chest X-Ray Classification via Orthogonality
Constraint [10.190872613479632]
胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。
これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。
提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
論文 参考訳(メタデータ) (2021-02-02T11:35:28Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳(メタデータ) (2020-08-04T07:41:15Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。