論文の概要: Attention-Guided Discriminative Region Localization and Label Distribution Learning for Bone Age Assessment

• arxiv url: http://arxiv.org/abs/2006.00202v2
• Date: Thu, 13 Aug 2020 04:58:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 17:58:33.783359
• Title: Attention-Guided Discriminative Region Localization and Label Distribution Learning for Bone Age Assessment
• Title（参考訳）: 骨年齢評価のための注意誘導型識別領域局在とラベル分布学習
• Authors: Chao Chen, Zhihong Chen, Xinyu Jin, Lanjuan Li, William Speier, Corey W. Arnold
• Abstract要約: 骨年齢評価(BAA)における識別領域の自動局在化のための注意誘導手法を提案する。 まず、識別領域の注意図を学習するために分類モデルを訓練し、手指領域、最も識別された領域(手根骨)、次に最も識別された領域(中手骨)を見いだした。 それらの注意図に導かれると、原画像から情報的地域を抽出し、BAAのために異なる地域を集約する。
• 参考スコア（独自算出の注目度）: 20.53797537749242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bone age assessment (BAA) is clinically important as it can be used to diagnose endocrine and metabolic disorders during child development. Existing deep learning based methods for classifying bone age use the global image as input, or exploit local information by annotating extra bounding boxes or key points. However, training with the global image underutilizes discriminative local information, while providing extra annotations is expensive and subjective. In this paper, we propose an attention-guided approach to automatically localize the discriminative regions for BAA without any extra annotations. Specifically, we first train a classification model to learn the attention maps of the discriminative regions, finding the hand region, the most discriminative region (the carpal bones), and the next most discriminative region (the metacarpal bones). Guided by those attention maps, we then crop the informative local regions from the original image and aggregate different regions for BAA. Instead of taking BAA as a general regression task, which is suboptimal due to the label ambiguity problem in the age label space, we propose using joint age distribution learning and expectation regression, which makes use of the ordinal relationship among hand images with different individual ages and leads to more robust age estimation. Extensive experiments are conducted on the RSNA pediatric bone age data set. Using no training annotations, our method achieves competitive results compared with existing state-of-the-art semi-automatic deep learning-based methods that require manual annotation. Code is available at https: //github.com/chenchao666/Bone-Age-Assessment.
• Abstract（参考訳）: 骨年齢評価(BAA)は、小児期における内分泌および代謝障害の診断に使用できるため、臨床的に重要である。 骨年齢を分類するための既存のディープラーニングベースの手法では、グローバルイメージを入力として使用したり、追加のバウンディングボックスやキーポイントをアノテートすることでローカル情報を利用する。 しかし,グローバルイメージを用いたトレーニングでは,識別的ローカル情報の利用が不十分であり,付加的なアノテーションの提供は高価で主観的だ。 本稿では,BAAの識別領域を付加アノテーションなしで自動的にローカライズするための注意誘導手法を提案する。 具体的には、まず、識別領域の注意図を学習するために分類モデルを訓練し、手指領域、最も識別された領域(手根骨)、次に最も識別された領域(中手骨)を見いだした。 これらの注意図に導かれ、原画像から情報的地域を抽出し、BAAのために異なる地域を集約する。 年齢ラベル空間におけるラベルあいまいさの問題により最適である一般回帰タスクとしてBAAを採用する代わりに,各年齢の異なる手画像間の順序関係を利用して,より堅牢な年齢推定を実現するジョイント年齢分布学習と予測回帰を提案する。 RSNA小児骨年齢データセットの総合的な実験を行った。 トレーニングアノテーションを使わずに既存の半自動深層学習手法と比較して,手作業によるアノテーションを必要とするような競合的な結果が得られる。 コードはhttps: //github.com/chenchao666/Bone-Age-Assessmentで入手できる。

関連論文リスト

• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• 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)
• An Unsupervised Deep-Learning Method for Bone Age Assessment [4.227079957387361]
  骨の発達の程度を反映した骨年齢は、成人の高さを予測し、子供の内分泌疾患を検出するために用いられる。 本稿では,制約付き畳み込みオートエンコーダ(CCAE)を用いて,骨年齢の分類とBA-CCAEの洗礼を行うモデルを提案する。 北米放射線学会(Radiological Society of North America)の実験では、48ヶ月間隔での分類の精度は76.15%である。
  論文  参考訳（メタデータ） (2022-06-12T02:31:36Z)
• Unsupervised Local Discrimination for Medical Images [35.14445357879895]
  コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。 最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。 医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-21T04:53:19Z)
• Discriminative Region-based Multi-Label Zero-Shot Learning [145.0952336375342]
  マルチラベルゼロショット学習(Multi-label zero-shot Learning、ZSL)は、標準のシングルラベルZSLのより現実的な対位法である。 本稿では,地域別識別可能性保存型ZSLに対する代替アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-20T17:56:47Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)
• Discriminative Region Suppression for Weakly-Supervised Semantic Segmentation [0.0]
  オブジェクト活性化領域を拡大するためのシンプルで効果的な方法である識別領域抑制(DRS)モジュールを紹介します。 DRSは識別領域への注意を抑制し、隣接する非差別領域に拡散し、密な局在地図を生成する。 また,ローカライズマップリファインメント学習という,ローカライズマップの自己強化を実現するための学習戦略についても紹介する。
  論文  参考訳（メタデータ） (2021-03-12T12:56:06Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
  CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。 本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。 提案法はマンモグラフィー画像から乳癌検出に適応する。
  論文  参考訳（メタデータ） (2020-08-24T09:00:30Z)
• Thoracic Disease Identification and Localization using Distance Learning and Region Verification [15.851040584898463]
  本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。 我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
  論文  参考訳（メタデータ） (2020-06-07T16:56:50Z)

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。