論文の概要: Multimodal Feature Fusion and Knowledge-Driven Learning via Experts Consult for Thyroid Nodule Classification

• arxiv url: http://arxiv.org/abs/2005.14117v2
• Date: Mon, 25 Oct 2021 08:01:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:52:30.097169
• Title: Multimodal Feature Fusion and Knowledge-Driven Learning via Experts Consult for Thyroid Nodule Classification
• Title（参考訳）: 甲状腺結節分類におけるマルチモーダル特徴融合と知識駆動学習
• Authors: Danilo Avola, Luigi Cinque, Alessio Fagioli, Sebastiano Filetti, Giorgio Grani, Emanuele Rodol\`a
• Abstract要約: コンピュータ支援診断(CAD)は、複数の分野にまたがる臨床医を支援するための重要なアプローチになりつつある。 本研究では,新しいエンド・ツー・エンドの知識駆動型分類フレームワークを提案する。 提案システムは,高度に連結された畳み込みネットワーク(DenseNet)の学習フェーズを案内するために,専門家のアンサンブルによって提供される手がかりを利用する。
• 参考スコア（独自算出の注目度）: 11.160089265436689
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-aided diagnosis (CAD) is becoming a prominent approach to assist clinicians spanning across multiple fields. These automated systems take advantage of various computer vision (CV) procedures, as well as artificial intelligence (AI) techniques, to formulate a diagnosis of a given image, e.g., computed tomography and ultrasound. Advances in both areas (CV and AI) are enabling ever increasing performances of CAD systems, which can ultimately avoid performing invasive procedures such as fine-needle aspiration. In this study, a novel end-to-end knowledge-driven classification framework is presented. The system focuses on multimodal data generated by thyroid ultrasonography, and acts as a CAD system by providing a thyroid nodule classification into the benign and malignant categories. Specifically, the proposed system leverages cues provided by an ensemble of experts to guide the learning phase of a densely connected convolutional network (DenseNet). The ensemble is composed by various networks pretrained on ImageNet, including AlexNet, ResNet, VGG, and others. The previously computed multimodal feature parameters are used to create ultrasonography domain experts via transfer learning, decreasing, moreover, the number of samples required for training. To validate the proposed method, extensive experiments were performed, providing detailed performances for both the experts ensemble and the knowledge-driven DenseNet. As demonstrated by the results, the proposed system achieves relevant performances in terms of qualitative metrics for the thyroid nodule classification task, thus resulting in a great asset when formulating a diagnosis.
• Abstract（参考訳）: コンピュータ支援診断(CAD)は、複数の分野にまたがる臨床医を支援するための重要なアプローチになりつつある。 これらの自動化システムは、様々なコンピュータビジョン(CV)プロシージャと人工知能(AI)技術を利用して、所定の画像(例えば、コンピュータ断層撮影や超音波)の診断を定式化する。 両方の領域(CVとAI)の進歩はCADシステムの継続的な性能向上を可能にしており、最終的には細い針の吸引のような侵襲的な手順の実行を避けることができる。 本研究では,新しいエンド・ツー・エンドの知識駆動型分類フレームワークを提案する。 本システムは甲状腺超音波検査により生成されたマルチモーダルデータに着目し,甲状腺結節を良性および悪性のカテゴリーに分類することによりCADシステムとして機能する。 特に,提案システムでは,専門家が提供した手掛かりを活用して,密結合畳み込みネットワーク(densenet)の学習フェーズを指導する。 アンサンブルは、AlexNet、ResNet、VGGなど、ImageNetで事前訓練された様々なネットワークによって構成されている。 前述したマルチモーダル特徴パラメータは、トランスファーラーニングを通じて超音波領域の専門家を作成するために使用され、さらにトレーニングに必要なサンプル数を減少させる。 提案手法を検証するため,専門家アンサンブルと知識駆動型密集網の双方に対して詳細な実験を行った。 以上の結果から,本システムは甲状腺結節分類タスクの質的指標として,適切な性能を得られており,診断の際の有用性が期待できる。

関連論文リスト

• Applying Conditional Generative Adversarial Networks for Imaging Diagnosis [3.881664394416534]
  本研究は、スタックド・ホアーグラス・ネットワーク(SHGN)と統合されたコンディショナル・ジェネレーション・アドバイザリアル・ネットワーク(C-GAN)の革新的な応用を紹介する。 我々は、複雑な画像データセットに適用されるディープラーニングモデルに共通するオーバーフィッティングの問題に、回転とスケーリングを通じてデータを増大させることで対処する。 血管内超音波(IVUS)画像において,L1とL2再構成損失を併用したハイブリッド損失関数を導入する。
  論文  参考訳（メタデータ） (2024-07-17T23:23:09Z)
• Detection and Classification of Diabetic Retinopathy using Deep Learning Algorithms for Segmentation to Facilitate Referral Recommendation for Test and Treatment Prediction [0.0]
  本研究は糖尿病網膜症(DR)の臨床的課題について考察する。 提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。 Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-01-05T11:19:24Z)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI [0.8858288982748155]
  複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。 本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
  論文  参考訳（メタデータ） (2020-11-15T17:50:23Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound [1.9814912982226993]
  そこで本研究では,乳がん病変を各乳腺造影像および超音波画像から分類する深層学習法を提案する。 提案されたアプローチは、GoogleNetアーキテクチャに基づいており、データのために2つのトレーニングステップで微調整されています。 AUCは0.94で、単一のモダリティで訓練された最先端のモデルより優れている。
  論文  参考訳（メタデータ） (2020-09-23T09:08:24Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。