Fugu-MT 論文翻訳(概要): Continual Learning for Domain Adaptation in Chest X-ray Classification

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

CXPMRG-Bench: Pre-training and Benchmarking for X-ray Medical Report Generation on CheXpert Plus Dataset [14.911363203907008]
X線画像に基づく医療報告生成は、診断上の負担と患者待ち時間を著しく削減することができる。我々は、CheXpert Plusデータセット上で、既存の主流X線レポート生成モデルと大規模言語モデル(LLM)の包括的なベンチマークを行う。自己教師付き自己回帰生成やX線レポートによるコントラスト学習を含む,多段階事前学習戦略を用いたX線画像生成のための大規模モデルを提案する。
論文参考訳（メタデータ） (2024-10-01T04:07:01Z)
LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文参考訳（メタデータ） (2024-09-29T03:56:21Z)
Advancing UWF-SLO Vessel Segmentation with Source-Free Active Domain Adaptation and a Novel Multi-Center Dataset [11.494899967255142]
UWF-SLO画像における正確な血管セグメンテーションは網膜疾患の診断に不可欠である。高い解像度のUWF-SLO画像を手動でラベル付けすることは、非常に難しく、時間がかかり、高価な作業である。本研究では、パッチベースのアクティブドメイン適応アプローチを活用する先駆的なフレームワークを紹介する。
論文参考訳（メタデータ） (2024-06-19T15:49:06Z)
UniChest: Conquer-and-Divide Pre-training for Multi-Source Chest X-Ray Classification [36.94690613164942]
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)
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。