論文の概要: Leveraging Undiagnosed Data for Glaucoma Classification with Teacher-Student Learning

• arxiv url: http://arxiv.org/abs/2007.11355v1
• Date: Wed, 22 Jul 2020 12:05:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:57:14.796521
• Title: Leveraging Undiagnosed Data for Glaucoma Classification with Teacher-Student Learning
• Title（参考訳）: 教師学習による緑内障分類のための未診断データの活用
• Authors: Junde Wu, Shuang Yu, Wenting Chen, Kai Ma, Rao Fu, Hanruo Liu, Xiaoguang Di and Yefeng Zheng
• Abstract要約: 適切なラベル付き画像だけでなく,緑内障のラベルのない未診断画像も活用できる緑内障分類フレームワークを提案する。 提案フレームワークは教師-学生-学習パラダイムに適応する。 実験により, 緑内障の予測性能を向上させるために, 未診断データを効果的に活用できることが示唆された。
• 参考スコア（独自算出の注目度）: 28.197819736029572
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recently, deep learning has been adopted to the glaucoma classification task with performance comparable to that of human experts. However, a well trained deep learning model demands a large quantity of properly labeled data, which is relatively expensive since the accurate labeling of glaucoma requires years of specialist training. In order to alleviate this problem, we propose a glaucoma classification framework which takes advantage of not only the properly labeled images, but also undiagnosed images without glaucoma labels. To be more specific, the proposed framework is adapted from the teacher-student-learning paradigm. The teacher model encodes the wrapped information of undiagnosed images to a latent feature space, meanwhile the student model learns from the teacher through knowledge transfer to improve the glaucoma classification. For the model training procedure, we propose a novel training strategy that simulates the real-world teaching practice named as 'Learning To Teach with Knowledge Transfer (L2T-KT)', and establish a 'Quiz Pool' as the teacher's optimization target. Experiments show that the proposed framework is able to utilize the undiagnosed data effectively to improve the glaucoma prediction performance.
• Abstract（参考訳）: 近年,ヒトに匹敵する性能を有する緑内障分類課題に深層学習が採用されている。 しかし、高度に訓練されたディープラーニングモデルでは、適切にラベル付けされたデータを大量に要求するが、緑内障の正確なラベル付けには長年の専門訓練が必要であるため、比較的高価である。 この問題を軽減するために,適切なラベル付き画像だけでなく,緑内障ラベルのない未診断画像を利用した緑内障分類フレームワークを提案する。 より具体的には、提案フレームワークは教師-学生-学習パラダイムから適応される。 教師モデルは未診断画像の包み込み情報を潜在特徴空間に符号化し,生徒モデルは知識伝達を通じて教師から学習し,緑内障分類を改善する。 モデル学習手順として,「Learning To Teach with Knowledge Transfer (L2T-KT)」と称される実世界の教育実践をシミュレートし,教師の最適化目標として「Quiz Pool」を確立する新しい学習手法を提案する。 提案手法は,未診断データを効果的に活用し,緑内障予知性能を向上できることを示す。

関連論文リスト

• Graph-Guided Test-Time Adaptation for Glaucoma Diagnosis using Fundus Photography [36.328434151676525]
  緑内障は世界中で不可逆的な盲目の原因となっている。 眼底画像を用いた深層学習は緑内障の早期診断を大幅に改善した。 異なるデバイスや場所(ドメインシフトとして知られる)からのイメージの変化は、実世界の設定で事前トレーニングされたモデルを使用することに挑戦する。 緑内障の診断モデルを未知のテスト環境に一般化するためのグラフ誘導テスト時間適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:06:55Z)
• Deep Learning to Predict Glaucoma Progression using Structural Changes in the Eye [0.20718016474717196]
  緑内障は視神経症を特徴とする慢性眼疾患であり、不可逆的な視力喪失を引き起こす。 早期発見は萎縮をモニターし、さらなる視力障害を防ぐ治療戦略を開発するために重要である。 本研究では,深層学習モデルを用いて,複雑な疾患の特徴と進行基準を同定する。
  論文  参考訳（メタデータ） (2024-06-09T01:12:41Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using Tailored Prototypical Neural Networks [1.1601676598120785]
  緑内障は世界の視覚障害の主要な原因の1つである。 生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。 特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
  論文  参考訳（メタデータ） (2021-06-25T10:53:01Z)
• Study Group Learning: Improving Retinal Vessel Segmentation Trained with Noisy Labels [12.272979412910757]
  SGL(Study Group Learning)スキームを提案し、ノイズの多いラベルで訓練されたモデルの堅牢性を改善する。 実験により,提案手法はDRIVEおよびCHASE$_$DB1データセットの船体セグメンテーション性能をさらに向上することが示された。
  論文  参考訳（メタデータ） (2021-03-05T03:09:51Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics [0.8370915747360484]
  深層学習ニューラルネットワークを用いて、眼内画像の視覚的表現を診断する。 本稿では, 病原体が健康であるか, 病原体なのかを, 低コストで推定する, 病原体分類の統一モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-11T03:49:14Z)

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。