Fugu-MT 論文翻訳(概要): FocalMix: Semi-Supervised Learning for 3D Medical Image Detection

論文の概要: FocalMix: Semi-Supervised Learning for 3D Medical Image Detection

arxiv url: http://arxiv.org/abs/2003.09108v1
Date: Fri, 20 Mar 2020 05:12:31 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 22:32:52.246752
Title: FocalMix: Semi-Supervised Learning for 3D Medical Image Detection
Title（参考訳）: FocalMix: 3D画像検出のための半教師付き学習
Authors: Dong Wang, Yuan Zhang, Kexin Zhang, Liwei Wang
Abstract要約: 本稿では, 半教師付き学習(SSL)の最近の進歩を3次元画像検出に活用した新しいFocalMixを提案する。その結果,提案手法は,400個の未ラベルCTスキャンを用いて,最先端の教師あり学習手法よりも最大17.3%の大幅な改善を達成できることが示唆された。
参考スコア（独自算出の注目度）: 24.058713299186845
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Applying artificial intelligence techniques in medical imaging is one of the most promising areas in medicine. However, most of the recent success in this area highly relies on large amounts of carefully annotated data, whereas annotating medical images is a costly process. In this paper, we propose a novel method, called FocalMix, which, to the best of our knowledge, is the first to leverage recent advances in semi-supervised learning (SSL) for 3D medical image detection. We conducted extensive experiments on two widely used datasets for lung nodule detection, LUNA16 and NLST. Results show that our proposed SSL methods can achieve a substantial improvement of up to 17.3% over state-of-the-art supervised learning approaches with 400 unlabeled CT scans.
Abstract（参考訳）: 医療画像に人工知能技術を適用することは、医学で最も有望な分野の1つである。しかし、この分野での最近の成功の大部分は大量の注意深い注記データに依存しているが、医用画像の注記はコストのかかるプロセスである。本稿では,FocalMixと呼ばれる新しい手法を提案する。この手法は,医用画像検出のための半教師あり学習(SSL)の最近の進歩を初めて活用するものである。肺結節検出に広く用いられている2つのデータセット,LUNA16とNLSTについて広範な実験を行った。その結果,提案手法は,400個の未ラベルCTスキャンを用いて,最先端の教師あり学習手法よりも最大17.3%向上できることがわかった。

関連論文リスト

Enhancing Retinal Disease Classification from OCTA Images via Active Learning Techniques [0.8035416719640156]
高齢のアメリカ人では眼疾患が一般的であり、視力や視力の低下につながることがある。光コヒーレンス・トモグラフィ・アンギオグラフィー(OCTA)により、臨床医が網膜血管の高品質な画像を取得することができる画像技術の最近の進歩 OCTAは、一般的なOCT画像から得られる構造情報と比較して、詳細な血管画像を提供する。
論文参考訳（メタデータ） (2024-07-21T23:24:49Z)
Monsters in the Dark: Sanitizing Hidden Threats with Diffusion Models [4.443677138272269]
ステガノグラフィー(英: Steganography)は、平凡な視界に情報を隠蔽する技法である。現在の画像ステガノグラフィーの防御はステガナリシスや隠されたメッセージの検出に依存している。最近の研究は、画像から隠された情報を除去する「衛生化」として知られる防衛機構に焦点を当てている。
論文参考訳（メタデータ） (2023-10-10T19:15:11Z)
PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
論文参考訳（メタデータ） (2023-06-29T13:11:46Z)
Multi-View Attention Learning for Residual Disease Prediction of Ovarian Cancer [8.697258566996126]
残存疾患予測のための新しいマルチビュー注意学習法(MuVAL)を提案する。本手法は,3次元CT画像の総合的な学習を多視点的に行うことに焦点を当てる。 111人の患者を対象とした実験により,本手法が既存のディープラーニング手法より優れていることが示された。
論文参考訳（メタデータ） (2023-06-26T12:31:08Z)
RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文参考訳（メタデータ） (2022-11-01T07:41:03Z)
Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文参考訳（メタデータ） (2022-07-01T14:17:11Z)
Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2022-03-29T08:41:17Z)
Which images to label for few-shot medical landmark detection? [27.23114378514831]
アノテーションの「最も価値のある」画像を選択するための新しいサンプル選択ポリシー(SCP)を提案する。 SCPは,(1)放射線画像から特徴を抽出するための事前学習深度モデルを構築するための自己指導訓練,(2)情報パッチの局所化のためのキーポイント提案,(3)最も代表的なサンプルやテンプレートを探索するための代表スコア推定という3つのパートから構成される。一発の医学的ランドマーク検出では、ケパロメトリデータセットとハンドX線データセットの平均放射誤差をそれぞれ14.2%と35.5%削減する。
論文参考訳（メタデータ） (2021-12-07T07:46:18Z)
Medical Instrument Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。 SSL学習を実現するため、Dual-UNetが提案されている。提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文参考訳（メタデータ） (2021-07-30T07:59:45Z)
A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-01-14T01:39:19Z)
Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。