論文の概要: Self-supervised Feature Learning via Exploiting Multi-modal Data for
Retinal Disease Diagnosis
- arxiv url: http://arxiv.org/abs/2007.11067v1
- Date: Tue, 21 Jul 2020 19:49:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 05:13:49.223132
- Title: Self-supervised Feature Learning via Exploiting Multi-modal Data for
Retinal Disease Diagnosis
- Title（参考訳）: 網膜疾患診断のためのマルチモーダルデータを用いた自己教師付き特徴学習
- Authors: Xiaomeng Li, Mengyu Jia, Md Tauhidul Islam, Lequan Yu, Lei Xing
- Abstract要約: 本稿では,網膜疾患診断のためのマルチモーダルデータを効果的に活用して,新しい自己教師型特徴学習法を提案する。
本研究の目的は,モダリティ不変特徴と患者類似特徴の両方を学習することである。
本手法を網膜疾患診断のための2つの公開ベンチマークデータセットで評価した。
- 参考スコア（独自算出の注目度）: 28.428216831922228
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automatic diagnosis of various retinal diseases from fundus images is
important to support clinical decision-making. However, developing such
automatic solutions is challenging due to the requirement of a large amount of
human-annotated data. Recently, unsupervised/self-supervised feature learning
techniques receive a lot of attention, as they do not need massive annotations.
Most of the current self-supervised methods are analyzed with single imaging
modality and there is no method currently utilize multi-modal images for better
results. Considering that the diagnostics of various vitreoretinal diseases can
greatly benefit from another imaging modality, e.g., FFA, this paper presents a
novel self-supervised feature learning method by effectively exploiting
multi-modal data for retinal disease diagnosis. To achieve this, we first
synthesize the corresponding FFA modality and then formulate a patient
feature-based softmax embedding objective. Our objective learns both
modality-invariant features and patient-similarity features. Through this
mechanism, the neural network captures the semantically shared information
across different modalities and the apparent visual similarity between
patients. We evaluate our method on two public benchmark datasets for retinal
disease diagnosis. The experimental results demonstrate that our method clearly
outperforms other self-supervised feature learning methods and is comparable to
the supervised baseline.
- Abstract（参考訳）: 眼底画像からの各種網膜疾患の自動診断は臨床意思決定を支援するために重要である。
しかし、このような自動解法の開発は、大量の人間の注釈データを必要とするため困難である。
近年,大量のアノテーションを必要としないため,教師なし/自己監督型機能学習技術が注目されている。
現在の自己教師あり手法のほとんどは単一の撮像モードで分析され、現在、より良い結果を得るためにマルチモーダル画像を使用する方法は存在しない。
種々の硝子体疾患の診断は、例えばFFAなどの別の画像モダリティから大きな恩恵を受けることができることを考慮し、網膜疾患診断にマルチモーダルデータを効果的に活用して、新しい自己監督的特徴学習法を提案する。
これを実現するために、まず対応するFFAモダリティを合成し、続いて患者特徴に基づくソフトマックス埋め込み目標を定式化する。
本研究の目的は,モダリティ不変特徴と患者類似特徴の両方を学習することである。
このメカニズムを通じて、ニューラルネットワークは、異なるモダリティにまたがる意味的に共有された情報と、患者間の視覚的類似性を捉える。
本手法を網膜疾患診断のための2つの公開ベンチマークデータセットで評価した。
実験の結果,本手法は他の自己教師付き特徴学習手法よりも明らかに優れており,教師付きベースラインと比較できることがわかった。
関連論文リスト
- Robust and Explainable Framework to Address Data Scarcity in Diagnostic Imaging [6.744847405966574]
Efficient Transfer and Self-supervised Learning based Ensemble Framework (ETSEF) と呼ばれる新しいアンサンブルフレームワークを導入する。
ETSEFは、訓練済みの複数のディープラーニングモデルの特徴を活用して、限られたデータサンプルから強力な表現を効率的に学習する。
内視鏡検査,乳がん,サルポックス,脳腫瘍,緑内障検出,緑内障検出の5つの独立した医療画像検査を行い,ETSEFの有効性と堅牢性について検討した。
論文 参考訳（メタデータ） (2024-07-09T05:48:45Z) - Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。
本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-15T09:07:19Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Joint Self-Supervised and Supervised Contrastive Learning for Multimodal
MRI Data: Towards Predicting Abnormal Neurodevelopment [5.771221868064265]
マルチモーダルMRIデータから頑健な潜在特徴表現を学習するための,新しい自己教師付きコントラスト学習法を提案する。
本手法は,マルチモーダルデータの活用により,臨床実習におけるコンピュータ支援診断を容易にする能力を有する。
論文 参考訳（メタデータ） (2023-12-22T21:05:51Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - A Novel Collaborative Self-Supervised Learning Method for Radiomic Data [3.5213632537596604]
本稿では,ラベル付き無線データ不足の課題を解決するための,新しい自己教師型学習手法を提案する。
提案手法は, 放射線データから頑健な潜在特徴表現を自己指導的に学習し, 人間のアノテーションの取り組みを減らした。
論文 参考訳（メタデータ） (2023-02-20T07:15:28Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - 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) - Synergic Adversarial Label Learning for Grading Retinal Diseases via
Knowledge Distillation and Multi-task Learning [29.46896757506273]
良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。
一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。
本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
論文 参考訳（メタデータ） (2020-03-24T01:32:04Z)
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。