論文の概要: Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation

• arxiv url: http://arxiv.org/abs/2006.12285v3
• Date: Thu, 16 Jul 2020 12:32:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 19:15:52.128643
• Title: Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation
• Title（参考訳）: データ蒸留・添加による深層学習による脳腫瘍検出
• Authors: Diyuan Lu, Nenad Polomac, Iskra Gacheva, Elke Hattingen, Jochen Triesch
• Abstract要約: 深層学習の医学的診断への応用は、しばしば2つの問題によって妨げられる。 第一に、診断対象の患者数によって制限されるため、トレーニングデータの量が少ない場合がある。 第2に、トレーニングデータは様々な種類のノイズによって破損する可能性がある。
• 参考スコア（独自算出の注目度）: 6.78974856327994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of Deep Learning (DL) for medical diagnosis is often hampered by two problems. First, the amount of training data may be scarce, as it is limited by the number of patients who have acquired the condition to be diagnosed. Second, the training data may be corrupted by various types of noise. Here, we study the problem of brain tumor detection from magnetic resonance spectroscopy (MRS) data, where both types of problems are prominent. To overcome these challenges, we propose a new method for training a deep neural network that distills particularly representative training examples and augments the training data by mixing these samples from one class with those from the same and other classes to create additional training samples. We demonstrate that this technique substantially improves performance, allowing our method to reach human-expert-level accuracy with just a few thousand training examples. Interestingly, the network learns to rely on features of the data that are usually ignored by human experts, suggesting new directions for future research.
• Abstract（参考訳）: 医学診断におけるDeep Learning (DL) の適用は2つの問題によって妨げられることが多い。 第一に、診断を受けた患者数によって制限されるため、トレーニングデータの量が少ない場合がある。 第2に、トレーニングデータは様々な種類のノイズによって破損する可能性がある。 本稿では,磁気共鳴分光法(MRS)データによる脳腫瘍検出の問題点について考察する。 これらの課題を克服するために,特に代表的なトレーニングサンプルを蒸留し,そのサンプルと他のクラスからのサンプルを混合して追加のトレーニングサンプルを作成する,深層ニューラルネットワークのトレーニング手法を提案する。 本研究では,この手法により性能が大幅に向上し,数千のトレーニング例で人間の熟練度に到達できることを実証する。 興味深いことに、このネットワークは人間の専門家によって無視されるデータの特徴に頼り、将来の研究の新たな方向性を提案する。

関連論文リスト

• Resolving Domain Shift For Representations Of Speech In Non-Invasive Brain Recordings [3.5297361401370044]
  脳磁図(MEG)を用いた非侵襲的データ収集に焦点を当てた。 私たちの知る限りでは、この研究はMEGニューロイメージングデータに基づく機能レベルの深層学習の初めての応用である。
  論文  参考訳（メタデータ） (2024-10-25T21:56:23Z)
• Detection of Under-represented Samples Using Dynamic Batch Training for Brain Tumor Segmentation from MR Images [0.8437187555622164]
  磁気共鳴イメージング(MR)における脳腫瘍は困難であり、時間を要する。 これらの課題は、MR画像から自動脳腫瘍分割法を開発することで解決できる。 U-Netに基づく様々なディープラーニングモデルが提案されている。 これらのディープラーニングモデルは、腫瘍画像のデータセットに基づいてトレーニングされ、マスクのセグメント化に使用される。
  論文  参考訳（メタデータ） (2024-08-21T21:51:47Z)
• From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data [8.954593873296284]
  本稿では,限られた対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。 i)Barlow Twinsによるラベルなしデータに対する自己教師付き事前トレーニング、(ii)タスク関連データに対する自己蒸留、(iii)ターゲットデータセットに対する微調整の3つの重要なステージで構成されている。 私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
  論文  参考訳（メタデータ） (2024-04-09T12:25:06Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• A Data-Centric Approach for Improving Adversarial Training Through the Lens of Out-of-Distribution Detection [0.4893345190925178]
  複雑なアルゴリズムを適用して効果を緩和するのではなく, トレーニング手順から直接ハードサンプルを検出し, 除去することを提案する。 SVHN と CIFAR-10 データセットを用いた結果,計算コストの増大を伴わずに対角訓練の改善に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-01-25T08:13:50Z)
• Reconstructing Training Data from Model Gradient, Provably [68.21082086264555]
  ランダムに選択されたパラメータ値で1つの勾配クエリからトレーニングサンプルを再構成する。 センシティブなトレーニングデータを示す証明可能な攻撃として、われわれの発見はプライバシーに対する深刻な脅威を示唆している。
  論文  参考訳（メタデータ） (2022-12-07T15:32:22Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Multiple Instance Learning for Brain Tumor Detection from Magnetic Resonance Spectroscopy Data [1.4353812560047188]
  磁気共鳴分光法(MRS)データに深層学習(DL)を適用し,脳腫瘍検出の課題について検討した。 我々は同一患者の複数のスペクトルを分類するために「バッグ」に集約し、データ拡張技術を適用した。 単一スペクトルではなく,複数インスタンスでのトレーニングにおいて,分類性能が著しく向上することが実証された。
  論文  参考訳（メタデータ） (2021-12-16T12:51:55Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。