論文の概要: Medical-based Deep Curriculum Learning for Improved Fracture Classification

• arxiv url: http://arxiv.org/abs/2004.00482v1
• Date: Wed, 1 Apr 2020 14:56:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-17 19:03:12.832724
• Title: Medical-based Deep Curriculum Learning for Improved Fracture Classification
• Title（参考訳）: 医用Deep Curriculum Learningによる骨折分類の改善
• Authors: Amelia Jim\'enez-S\'anchez, Diana Mateus, Sonja Kirchhoff, Chlodwig Kirchhoff, Peter Biberthaler, Nassir Navab, Miguel A. Gonz\'alez Ballester, Gemma Piella
• Abstract要約: 我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。 我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。 以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
• 参考スコア（独自算出の注目度）: 36.54112505898611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current deep-learning based methods do not easily integrate to clinical protocols, neither take full advantage of medical knowledge. In this work, we propose and compare several strategies relying on curriculum learning, to support the classification of proximal femur fracture from X-ray images, a challenging problem as reflected by existing intra- and inter-expert disagreement. Our strategies are derived from knowledge such as medical decision trees and inconsistencies in the annotations of multiple experts, which allows us to assign a degree of difficulty to each training sample. We demonstrate that if we start learning "easy" examples and move towards "hard", the model can reach a better performance, even with fewer data. The evaluation is performed on the classification of a clinical dataset of about 1000 X-ray images. Our results show that, compared to class-uniform and random strategies, the proposed medical knowledge-based curriculum, performs up to 15% better in terms of accuracy, achieving the performance of experienced trauma surgeons.
• Abstract（参考訳）: 現在のディープラーニングベースの手法は、臨床プロトコルに簡単には統合されず、医療知識を十分に活用することもできない。 本研究では,x線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依拠するいくつかの戦略を提案し,比較する。 私たちの戦略は、医療判断木や複数の専門家の注釈の不整合といった知識から導き出され、各トレーニングサンプルに難易度を割り当てることができます。 私たちは、"簡単な"例を学習して"ハード"に移行すれば、少ないデータでもモデルがよりよいパフォーマンスに到達できることを実証します。 約1000x線画像の臨床的データセットの分類について評価を行った。 以上の結果から, 専門知識をベースとしたカリキュラムは, 集団一様戦略やランダム戦略に比べ, 精度が最大15%向上し, 経験豊富な外傷外科医の成績が得られた。

関連論文リスト

• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。 我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。 LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Human not in the loop: objective sample difficulty measures for Curriculum Learning [5.203119819023793]
  本稿では、勾配の分散(VoG)を用いて、サンプルの客観的な難易度を算出した新しいカリキュラム学習手法を提案する。 具体的には,VoGを指標として,分類の難易度の観点から各サンプルのランク付けを行い,高いVoGスコアは分類の難易度を示す。 以上の結果より, 2段階骨骨折分類と多段階骨骨折分類では同等, 高い成績を示した。
  論文  参考訳（メタデータ） (2023-02-02T17:25:29Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Learning from Multiple Expert Annotators for Enhancing Anomaly Detection in Medical Image Analysis [0.31317409221921133]
  医用画像解析において、複数の専門家アノテータは「地上の真実ラベル」に関する主観的な推定をしばしば生成する。 深層学習に基づく検知器の訓練のために,複数の放射線学の専門家によるアノテーションを組み合わせた簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-03-20T17:57:26Z)
• Knowledge-Guided Multiview Deep Curriculum Learning for Elbow Fracture Classification [4.305082635886227]
  肘部骨折の診断には, 肘X線像の正面像と側方像の両方を撮影する必要があることが多い。 肘骨折サブタイプ分類課題に対する多視点深層学習法を提案する。
  論文  参考訳（メタデータ） (2021-10-20T05:42:20Z)
• Medical Knowledge-Guided Deep Curriculum Learning for Elbow Fracture Diagnosis from X-Ray Images [4.5617336730758735]
  肘X線画像から肘骨折を診断するための新しい深層学習法を提案する。 本手法では,各トレーニングエポックの開始時に,リプレースせずにサンプリングによってトレーニングデータを置換する。 各トレーニングサンプルのサンプリング確率は、ヒトの専門家による臨床知識に基づいて構築されたスコア基準によって導かれる。
  論文  参考訳（メタデータ） (2021-10-20T05:24:35Z)
• Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty [36.54112505898611]
  畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折の3および7AOクラスへの自動分類法を提案する。 我々の新しい定式化は、トレーニングサンプルを個別に重み付けし、トレーニングセットを再順序付けし、データのサブセットをサンプリングする3つのカリキュラム戦略を再結合する。 このカリキュラムは、経験豊富な外傷外科医のパフォーマンスまで、大腿骨近位部骨折分類を改善している。
  論文  参考訳（メタデータ） (2020-07-31T14:28:33Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。