論文の概要: Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval
- arxiv url: http://arxiv.org/abs/2010.03266v1
- Date: Wed, 7 Oct 2020 08:36:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 22:19:32.974355
- Title: Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval
- Title(参考訳): 画像分類と検索のためのバイナリセマンティック埋め込みの学習
- Authors: Xiao Kang, Xingbo Liu, Xiushan Nie, Yilong Yin
- Abstract要約: バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
- 参考スコア(独自算出の注目度): 56.34863511025423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of medical imaging technology and machine learning,
computer-assisted diagnosis which can provide impressive reference to
pathologists, attracts extensive research interests. The exponential growth of
medical images and uninterpretability of traditional classification models have
hindered the applications of computer-assisted diagnosis. To address these
issues, we propose a novel method for Learning Binary Semantic Embedding
(LBSE). Based on the efficient and effective embedding, classification and
retrieval are performed to provide interpretable computer-assisted diagnosis
for histology images. Furthermore, double supervision, bit uncorrelation and
balance constraint, asymmetric strategy and discrete optimization are
seamlessly integrated in the proposed method for learning binary embedding.
Experiments conducted on three benchmark datasets validate the superiority of
LBSE under various scenarios.
- Abstract(参考訳): 医用画像技術と機械学習の開発により、病理学者への印象的な参考となるコンピュータ支援診断が幅広い研究の関心を集めている。
医学画像の指数的成長と従来の分類モデルの非解釈性は、コンピュータ支援診断の適用を妨げている。
これらの課題に対処するため、我々はLBSE(Learning Binary Semantic Embedding)の新たな手法を提案する。
効率的かつ効果的な埋め込みに基づき、分類および検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
さらに、二元埋め込み学習法において、二重監督、ビット不相関、バランス制約、非対称戦略、離散最適化をシームレスに統合する。
3つのベンチマークデータセットで実施した実験は、様々なシナリオでlbseの優位性を検証する。
関連論文リスト
- Joint chest X-ray diagnosis and clinical visual attention prediction with multi-stage cooperative learning: enhancing interpretability [2.64700310378485]
胸部X線検査における関節疾患診断のための新しい深層学習フレームワークと対応する視力マップの予測について紹介する。
具体的には、DenseNet201バックボーンとResidualおよびSqueeze-and-Excitationブロックベースのエンコーダの両方を活用する、新しいデュアルエンコーダマルチタスクUNetを設計した。
実験の結果,提案手法は胸部X線診断や視力マップの精度に優れていた。
論文 参考訳(メタデータ) (2024-03-25T17:31:12Z) - MLIP: Enhancing Medical Visual Representation with Divergence Encoder
and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。
我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。
特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-03T05:48:50Z) - Learned Image resizing with efficient training (LRET) facilitates
improved performance of large-scale digital histopathology image
classification models [0.0]
組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。
深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。
本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2024-01-19T23:45:47Z) - 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) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳(メタデータ) (2022-07-14T14:57:01Z) - Multi-Modal Learning Using Physicians Diagnostics for Optical Coherence
Tomography Classification [0.0]
我々は,光学コヒーレンス・トモグラフィーの分析に専門家の診断と知見を取り入れたフレームワークを提案する。
OCTを用いた疾患分類を改善するために,医学診断属性データセットを作成する。
論文 参考訳(メタデータ) (2022-03-20T18:37:20Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - 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。