論文の概要: MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like
Diseases Diagnosis From X-ray Scans
- arxiv url: http://arxiv.org/abs/2008.01973v1
- Date: Wed, 5 Aug 2020 07:45:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 18:04:06.923348
- Title: MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like
Diseases Diagnosis From X-ray Scans
- Title(参考訳): MultiCheXNet:X線スキャンによる肺炎様疾患診断のためのマルチタスク学習ディープネットワーク
- Authors: Abdullah Tarek Farag, Ahmed Raafat Abd El-Wahab, Mahmoud Nada, Mohamed
Yasser Abd El-Hakeem, Omar Sayed Mahmoud, Reem Khaled Rashwan and Ahmad El
Sallab
- Abstract要約: MultiCheXNetは、一つの神経アーキテクチャにおいて、肺炎に似た疾患の異なるX線データセットを利用することができる。
私たちのアーキテクチャの共通エンコーダは、異なるタスクに存在する有用な共通機能をキャプチャすることができます。
特殊なデコーダヘッドはタスク固有の特徴をキャプチャできる。
- 参考スコア(独自算出の注目度): 1.0621485365427565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MultiCheXNet, an end-to-end Multi-task learning model, that is
able to take advantage of different X-rays data sets of Pneumonia-like diseases
in one neural architecture, performing three tasks at the same time; diagnosis,
segmentation and localization. The common encoder in our architecture can
capture useful common features present in the different tasks. The common
encoder has another advantage of efficient computations, which speeds up the
inference time compared to separate models. The specialized decoders heads can
then capture the task-specific features. We employ teacher forcing to address
the issue of negative samples that hurt the segmentation and localization
performance. Finally,we employ transfer learning to fine tune the classifier on
unseen pneumonia-like diseases. The MTL architecture can be trained on joint or
dis-joint labeled data sets. The training of the architecture follows a
carefully designed protocol, that pre trains different sub-models on
specialized datasets, before being integrated in the joint MTL model. Our
experimental setup involves variety of data sets, where the baseline
performance of the 3 tasks is compared to the MTL architecture performance.
Moreover, we evaluate the transfer learning mode to COVID-19 data set,both from
individual classifier model, and from MTL architecture classification head.
- Abstract(参考訳): 我々は,1つのニューラルアーキテクチャにおける肺炎様疾患の異なるX線データセットを活用可能な,エンドツーエンドのマルチタスク学習モデルであるMultiCheXNetを提案し,同時に3つのタスクを実行する。
私たちのアーキテクチャの共通エンコーダは、異なるタスクに存在する有用な共通機能をキャプチャできます。
一般的なエンコーダには、別のモデルと比較して推論時間を高速化する効率的な計算の利点がある。
特殊なデコーダヘッドはタスク固有の特徴をキャプチャできる。
我々は教師に課せられ、セグメンテーションとローカライゼーション性能を損なう負のサンプルの問題に対処する。
最後に, 肺炎様疾患の分類を微調整するために, 転写学習を用いた。
MTLアーキテクチャは、ジョイントまたは非ジョイントラベル付きデータセットでトレーニングすることができる。
アーキテクチャのトレーニングは、MTLモデルに統合される前に、特定のデータセット上で異なるサブモデルを事前訓練する、慎重に設計されたプロトコルに従っている。
私たちの実験では、3つのタスクのベースラインパフォーマンスとmtlアーキテクチャのパフォーマンスを比較した、さまざまなデータセットを設定しました。
さらに、個別分類器モデルとMTLアーキテクチャ分類ヘッドの両方から、COVID-19データセットへの転送学習モードの評価を行った。
関連論文リスト
- MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。
事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。
SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。
我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文 参考訳(メタデータ) (2024-03-20T09:17:22Z) - MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳(メタデータ) (2023-10-03T12:19:19Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Uni3D: A Unified Baseline for Multi-dataset 3D Object Detection [34.2238222373818]
現在の3Dオブジェクト検出モデルは、単一のデータセット固有のトレーニングとテストのパラダイムに従っている。
本稿では,複数のデータセットから統合された3次元検出器を訓練する作業について検討する。
単純なデータレベルの修正操作と設計された意味レベルの結合・再結合モジュールを利用するUni3Dを提案する。
論文 参考訳(メタデータ) (2023-03-13T05:54:13Z) - UNetFormer: A Unified Vision Transformer Model and Pre-Training
Framework for 3D Medical Image Segmentation [14.873473285148853]
UNetFormerと呼ばれる2つのアーキテクチャで構成され,3D Swin TransformerベースのエンコーダとConal Neural Network(CNN)とTransformerベースのデコーダを備えている。
提案モデルでは, 5つの異なる解像度でのスキップ接続により, エンコーダをデコーダにリンクする。
本稿では,ランダムにマスクされたトークンを予測する学習を通じて,エンコーダバックボーンの自己教師付き事前学習手法を提案する。
論文 参考訳(メタデータ) (2022-04-01T17:38:39Z) - X-Learner: Learning Cross Sources and Tasks for Universal Visual
Representation [71.51719469058666]
本稿では,X-Learnerという表現学習フレームワークを提案する。
X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。
X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-16T17:23:26Z) - VoxelHop: Successive Subspace Learning for ALS Disease Classification
Using Structural MRI [30.469124322749828]
Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。
一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。
我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
論文 参考訳(メタデータ) (2021-01-13T15:25:57Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳(メタデータ) (2020-02-14T17:28:16Z) - Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
本稿では,不対向画像分割のための新しい学習手法を提案する。
提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。
我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
論文 参考訳(メタデータ) (2020-01-06T20:03:17Z)
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。