論文の概要: Embedding Task Knowledge into 3D Neural Networks via Self-supervised Learning

• arxiv url: http://arxiv.org/abs/2006.05798v1
• Date: Wed, 10 Jun 2020 12:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 05:50:20.980625
• Title: Embedding Task Knowledge into 3D Neural Networks via Self-supervised Learning
• Title（参考訳）: 自己教師付き学習による3次元ニューラルネットワークへのタスク知識の埋め込み
• Authors: Jiuwen Zhu, Yuexiang Li, Yifan Hu, S. Kevin Zhou
• Abstract要約: 自己教師付き学習(SSL)は、アノテーション付きデータの潜在的な解決策である。 我々は,3次元医用画像分類,すなわちタスク関連コントラスト予測符号化(TCPC)のための新しいSSL手法を提案する。 TCPCは、タスク知識を3Dニューラルネットワークのトレーニングに組み込む。
• 参考スコア（独自算出の注目度）: 21.902313057142905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning highly relies on the amount of annotated data. However, annotating medical images is extremely laborious and expensive. To this end, self-supervised learning (SSL), as a potential solution for deficient annotated data, attracts increasing attentions from the community. However, SSL approaches often design a proxy task that is not necessarily related to target task. In this paper, we propose a novel SSL approach for 3D medical image classification, namely Task-related Contrastive Prediction Coding (TCPC), which embeds task knowledge into training 3D neural networks. The proposed TCPC first locates the initial candidate lesions via supervoxel estimation using simple linear iterative clustering. Then, we extract features from the sub-volume cropped around potential lesion areas, and construct a calibrated contrastive predictive coding scheme for self-supervised learning. Extensive experiments are conducted on public and private datasets. The experimental results demonstrate the effectiveness of embedding lesion-related prior-knowledge into neural networks for 3D medical image classification.
• Abstract（参考訳）: ディープラーニングは注釈付きデータの量に大きく依存する。 しかし、医用画像の注釈は極めて手間がかかり、高価である。 この目的のために、注釈付きデータ不足の潜在的な解決策として自己教師付き学習(SSL)がコミュニティから注目を集めている。 しかしSSLアプローチは、ターゲットタスクと必ずしも関係のないプロキシタスクを設計することが多い。 本稿では,3次元ニューラルネットワークのトレーニングにタスク知識を組み込むタスク関連コントラスト予測符号化(tcpc)という,医用画像分類のための新しいssl手法を提案する。 提案するtcpcは, 単純な線形反復クラスタリングを用いたスーパーボクセル推定により, まず初期候補病変を同定する。 次に, 潜在病変領域周辺で切り取られたサブボリュームの特徴を抽出し, 自己教師付き学習のための校正コントラスト予測符号化方式を構築する。 パブリックデータセットとプライベートデータセットで広範な実験が行われている。 実験の結果,3次元医用画像分類のためのニューラルネットワークへの病変関連事前知識の埋め込みの有効性が示された。

関連論文リスト

• Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
  3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。 近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。 本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-03-05T00:46:53Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Self-supervised learning via inter-modal reconstruction and feature projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
  ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。 異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
  論文  参考訳（メタデータ） (2023-07-06T14:16:25Z)
• Understanding and Improving the Role of Projection Head in Self-Supervised Learning [77.59320917894043]
  自己教師付き学習(SSL)は、人間のラベル付きデータアノテーションにアクセスせずに有用な特徴表現を作成することを目的としている。 現在の対照的な学習アプローチは、InfoNCEの目的を最適化するために、あるバックボーンネットワークの端にパラメータ化されたプロジェクションヘッドを付加する。 学習可能なプロジェクションヘッドが、トレーニング後にそれを破棄する場合、なぜ必要となるのか?
  論文  参考訳（メタデータ） (2022-12-22T05:42:54Z)
• Slice-level Detection of Intracranial Hemorrhage on CT Using Deep Descriptors of Adjacent Slices [0.31317409221921133]
  そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。 我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。 提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
  論文  参考訳（メタデータ） (2022-08-05T23:20:37Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Contrastive Learning with Continuous Proxy Meta-Data for 3D MRI Classification [1.714108629548376]
  我々は、y-Aware InfoNCE Losという新たな損失を導入することで、対照的な学習フレームワークにおいて、継続的なプロキシメタデータを活用することを提案する。 104ドルの健康脳MRIスキャンで事前訓練された3D CNNモデルは、3つの分類タスクに関連する特徴を抽出することができる。 微調整された場合、これらのタスクをスクラッチからトレーニングした3D CNNと、最先端の自己管理手法を上回ります。
  論文  参考訳（メタデータ） (2021-06-16T14:17:04Z)
• SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
  3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。 新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。 脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-13T01:23:17Z)
• Revisiting Rubik's Cube: Self-supervised Learning with Volume-wise Transformation for 3D Medical Image Segmentation [27.84323872782403]
  本稿では,ボリューム医療画像のための新しい自己教師型学習フレームワークを提案する。 具体的には,Rubikの立方体++を事前学習した3Dニューラルネットワークに対して,コンテキスト復元タスクを提案する。 ゼロからトレーニングする戦略と比較すると、Rubikの立方体++の事前トレーニングによる微調整により、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2020-07-17T08:53:53Z)
• 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)
• 3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
  本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。 コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
  論文  参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。