論文の概要: Semi-supervised lung nodule retrieval
- arxiv url: http://arxiv.org/abs/2005.01805v1
- Date: Mon, 4 May 2020 19:26:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 00:38:24.775064
- Title: Semi-supervised lung nodule retrieval
- Title（参考訳）: 半監督肺結節検索
- Authors: Mark Loyman and Hayit Greenspan
- Abstract要約: コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。
データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。
本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。
LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
- 参考スコア（独自算出の注目度）: 2.055949720959582
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Content based image retrieval (CBIR) provides the clinician with visual
information that can support, and hopefully improve, his or her decision making
process. Given an input query image, a CBIR system provides as its output a set
of images, ranked by similarity to the query image. Retrieved images may come
with relevant information, such as biopsy-based malignancy labeling, or
categorization. Ground truth on similarity between dataset elements (e.g.
between nodules) is not readily available, thus greatly challenging machine
learning methods. Such annotations are particularly difficult to obtain, due to
the subjective nature of the task, with high inter-observer variability
requiring multiple expert annotators. Consequently, past approaches have
focused on manual feature extraction, while current approaches use auxiliary
tasks, such as a binary classification task (e.g. malignancy), for which
ground-true is more readily accessible. However, in a previous study, we have
shown that binary auxiliary tasks are inferior to the usage of a rough
similarity estimate that are derived from data annotations. The current study
suggests a semi-supervised approach that involves two steps: 1) Automatic
annotation of a given partially labeled dataset; 2) Learning a semantic
similarity metric space based on the predicated annotations. The proposed
system is demonstrated in lung nodule retrieval using the LIDC dataset, and
shows that it is feasible to learn embedding from predicted ratings. The
semi-supervised approach has demonstrated a significantly higher discriminative
ability than the fully-unsupervised reference.
- Abstract（参考訳）: コンテンツベース画像検索(cbir)は臨床医に、自身の意思決定プロセスをサポートし、改善できることを願っているビジュアル情報を提供する。
入力クエリ画像が与えられた場合、CBIRシステムはクエリ画像と類似度でランク付けされた一連の画像を出力する。
検索された画像には、生検に基づく悪性腫瘍のラベリングや分類といった関連情報が含まれる。
データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。
このようなアノテーションは、タスクの主観的な性質のため、特に入手が難しい。
その結果,これまでのアプローチでは手作業による特徴抽出に重点を置いてきたが,現在のアプローチではバイナリ分類タスク(悪性度など)などの補助タスクが使用されている。
しかし,前回の研究では,データアノテーションに基づく大まかな類似度の推定値よりもバイナリ補助タスクの方が劣っていることが示された。
現在の研究は、2つのステップを含む半教師付きアプローチを示唆している。
1) 所定の部分ラベル付きデータセットの自動アノテーション
2)述語アノテーションに基づく意味的類似性計量空間の学習。
LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
半教師付きアプローチは、完全な教師なし参照よりもかなり高い識別能力を示している。
関連論文リスト
- SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。
しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。
スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2024-09-24T18:35:57Z) - Deep Bayesian Active Learning-to-Rank with Relative Annotation for Estimation of Ulcerative Colitis Severity [10.153691271169745]
本稿では,相対的アノテーションに対して適切なペアを自動的に選択する深ベイズ能動的学習 to ランクを提案する。
本手法は,サンプルのモデル不確実性から,ラベルのないペアに高い学習効率でアノテートする。
論文 参考訳（メタデータ） (2024-09-08T02:19:40Z) - Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。
このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。
半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
論文 参考訳（メタデータ） (2024-04-02T09:31:06Z) - 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) - BERM: Training the Balanced and Extractable Representation for Matching
to Improve Generalization Ability of Dense Retrieval [54.66399120084227]
本稿では,BERMと呼ばれるマッチング信号の取得により,高密度検索の一般化を改善する手法を提案する。
センス検索は、ドメイン内のラベル付きデータセットでトレーニングされた場合、第1段階の検索プロセスにおいて有望であることが示されている。
論文 参考訳（メタデータ） (2023-05-18T15:43:09Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。
提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T22:15:28Z) - Disentangling Human Error from the Ground Truth in Segmentation of
Medical Images [12.009437407687987]
本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。
本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-07-31T11:03:12Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Do Public Datasets Assure Unbiased Comparisons for Registration
Evaluation? [96.53940048041248]
画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。
Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
論文 参考訳（メタデータ） (2020-03-20T20:04:47Z)
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。