論文の概要: Lesion Harvester: Iteratively Mining Unlabeled Lesions and Hard-Negative
Examples at Scale
- arxiv url: http://arxiv.org/abs/2001.07776v3
- Date: Mon, 23 Nov 2020 17:50:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 00:20:30.891187
- Title: Lesion Harvester: Iteratively Mining Unlabeled Lesions and Hard-Negative
Examples at Scale
- Title（参考訳）: lesion harvester: ラベルなしの病変と硬い例を大規模に反復的に採掘する
- Authors: Jinzheng Cai, Adam P. Harrison, Youjing Zheng, Ke Yan, Yuankai Huo,
Jing Xiao, Lin Yang, Le Lu
- Abstract要約: 我々は,DeepLesionデータセットから欠損病変を高精度に抽出するシステムを開発した。
採取した病変の病変検出装置は,元のアノテーションでのみ訓練されたのと同じ変異を著しく上回っていることが明らかとなった。
- 参考スコア（独自算出の注目度）: 27.224486560007353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Acquiring large-scale medical image data, necessary for training machine
learning algorithms, is frequently intractable, due to prohibitive
expert-driven annotation costs. Recent datasets extracted from hospital
archives, e.g., DeepLesion, have begun to address this problem. However, these
are often incompletely or noisily labeled, e.g., DeepLesion leaves over 50% of
its lesions unlabeled. Thus, effective methods to harvest missing annotations
are critical for continued progress in medical image analysis. This is the goal
of our work, where we develop a powerful system to harvest missing lesions from
the DeepLesion dataset at high precision. Accepting the need for some degree of
expert labor to achieve high fidelity, we exploit a small fully-labeled subset
of medical image volumes and use it to intelligently mine annotations from the
remainder. To do this, we chain together a highly sensitive lesion proposal
generator and a very selective lesion proposal classifier. While our framework
is generic, we optimize our performance by proposing a 3D contextual lesion
proposal generator and by using a multi-view multi-scale lesion proposal
classifier. These produce harvested and hard-negative proposals, which we then
re-use to finetune our proposal generator by using a novel hard negative
suppression loss, continuing this process until no extra lesions are found.
Extensive experimental analysis demonstrates that our method can harvest an
additional 9,805 lesions while keeping precision above 90%. To demonstrate the
benefits of our approach, we show that lesion detectors trained on our
harvested lesions can significantly outperform the same variants only trained
on the original annotations, with boost of average precision of 7% to 10%. We
open source our annotations at
https://github.com/JimmyCai91/DeepLesionAnnotation.
- Abstract（参考訳）: 機械学習アルゴリズムのトレーニングに必要な大規模医用画像データを取得することは、専門家主導のアノテーションコストのため、しばしば難解である。
病院のアーカイブから抽出された最近のデータセット、例えばDeepLesionはこの問題に対処し始めている。
しかし、これらはしばしば不完全または不完全にラベル付けされ、例えば深紅葉はその病変の50%以上をラベル付けしていない。
したがって, 医用画像解析の進歩には, 欠失アノテーションを抽出するための効果的な手法が不可欠である。
これは私たちの研究の目標であり、DeepLesionデータセットから欠落した病変を高精度に回収する強力なシステムを開発している。
高い忠実度を達成するためのある程度の専門的労力の必要性を受け入れるため、医療画像ボリュームの小さなラベル付きサブセットを利用して、残りの部分からインテリジェントにアノテーションをマイニングします。
そこで我々は,高感度病変提案生成器と極めて選択的病変提案分類器を連携させた。
提案フレームワークは汎用的ではあるが,3次元文脈的病変提案生成器の提案とマルチビューマルチスケール病変提案分類器を用いて性能を最適化する。
これらの手法は, 新たな強い負の抑制損失を生かし, 余分な病変が見つからないまでこの過程を継続することにより, 提案生成体を微調整するために再利用する。
また,本法では90%以上の精度を維持しつつ9,805個の病変を採取できることを示した。
提案手法の利点を実証するため, 収穫した病変でトレーニングした病変検出器は, 元のアノテーションでトレーニングしたのと同じ変種よりも有意に優れ, 平均精度は7%から10%向上した。
私たちはアノテーションをhttps://github.com/jimmycai91/deeplesionannotationでオープンソースにしました。
関連論文リスト
- Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-03-14T12:05:25Z) - Tackling the Incomplete Annotation Issue in Universal Lesion Detection
Task By Exploratory Training [10.627977735890191]
複数の臓器の病変を医用画像上で検出することを目的としているため、ユニバーサル病変検出は臨床実践に非常に有用である。
ディープラーニング手法は有望な結果を示しているが、トレーニングには大量の注釈付きデータを必要とする。
そこで,教師の予測と不完全なアノテーションを組み合わせることで,学生の学習を指導する教師学生検出モデルを提案する。
論文 参考訳（メタデータ） (2023-09-23T08:44:07Z) - An End-to-End Framework For Universal Lesion Detection With Missing
Annotations [24.902835211573628]
そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。
本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
論文 参考訳（メタデータ） (2023-03-27T09:16:10Z) - Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral
Fracture Grading [72.45699658852304]
本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。
フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。
重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
論文 参考訳（メタデータ） (2023-03-21T17:16:01Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z) - Learning from Multiple Datasets with Heterogeneous and Partial Labels
for Universal Lesion Detection in CT [25.351709433029896]
我々は、Lesion ENSemble(LENS)という、シンプルで効果的な病変検出フレームワークを構築した。
LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習することができる。
我々は4つのパブリックな病変データセットでフレームワークをトレーニングし、DeepLesionで800のサブボリュームを手作業でラベル付けして評価する。
論文 参考訳（メタデータ） (2020-09-05T17:55:21Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - Universal Lesion Detection by Learning from Multiple Heterogeneously
Labeled Datasets [23.471903581482668]
我々は,全データセットを用いてマルチヘッドマルチタスク病変検出法を学習し,DeepLesionの病変提案を生成する。
単一型病変検出装置からの知識伝達により,疑わしいが無意味な病変が発見された。
本手法は, 平均感度の測定値において, 現在の最先端手法よりも29%優れていた。
論文 参考訳（メタデータ） (2020-05-28T02:56:00Z) - Brain Metastasis Segmentation Network Trained with Robustness to
Annotations with Multiple False Negatives [1.9031935295821718]
対象アノテーションに非自明な偽陰性率が存在することを前提とした下向きの損失関数を開発する。
擬似偽陰率を50%まで下げても、ランダムに検閲されたデータに損失関数を適用すると、最大感度は97%に抑えられる。
私たちの作業は、画像ラベリングプロセスのより効率的なスケーリングを可能にします。
論文 参考訳（メタデータ） (2020-01-26T19:23:07Z)
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。