論文の概要: What is Wrong with Continual Learning in Medical Image Segmentation?

• arxiv url: http://arxiv.org/abs/2010.11008v1
• Date: Wed, 21 Oct 2020 13:48:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 23:15:25.471118
• Title: What is Wrong with Continual Learning in Medical Image Segmentation?
• Title（参考訳）: 医用画像セグメンテーションにおける継続的な学習とは何か
• Authors: Camila Gonzalez, Georgios Sakas and Anirban Mukhopadhyay
• Abstract要約: 連続的な学習プロトコルは、医療画像コミュニティから注目を集めている。 連続的な設定では、異なるソースからのデータが順次到着し、各バッチは限られた期間しか利用できない。 このベンチマークは,T2重み付きMR前立腺セグメンテーションのタスクにおいて,2つの一般的な連続学習手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.2020488155038649
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Continual learning protocols are attracting increasing attention from the medical imaging community. In a continual setup, data from different sources arrives sequentially and each batch is only available for a limited period. Given the inherent privacy risks associated with medical data, this setup reflects the reality of deployment for deep learning diagnostic radiology systems. Many techniques exist to learn continuously for classification tasks, and several have been adapted to semantic segmentation. Yet most have at least one of the following flaws: a) they rely too heavily on domain identity information during inference, or b) data as seen in early training stages does not profit from training with later data. In this work, we propose an evaluation framework that addresses both concerns, and introduce a fair multi-model benchmark. We show that the benchmark outperforms two popular continual learning methods for the task of T2-weighted MR prostate segmentation.
• Abstract（参考訳）: 継続的な学習プロトコルは医療画像コミュニティから注目を集めている。 連続的なセットアップでは、異なるソースからのデータが順次到着し、各バッチは限られた期間のみ利用できる。 医療データに関連する固有のプライバシーリスクを考えると、この設定は深層学習診断放射線学システムへの展開の現実を反映している。 分類タスクを継続的に学習する技術は数多く存在し、いくつかはセマンティックセグメンテーションに適応している。 しかし、多くは以下の欠点の少なくとも1つを持っている。 a) 推論中にドメインのアイデンティティ情報に大きく依存している場合、又は b) 早期訓練段階に見られるデータは,後のデータによる訓練から利益を得ない。 本研究では,双方の懸念に対処する評価フレームワークを提案し,公正なマルチモデルベンチマークを導入する。 このベンチマークは,T2重み付きMR前立腺セグメンテーションのタスクにおいて,2つの一般的な連続学習手法より優れていることを示す。

関連論文リスト

• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• MOSMOS: Multi-organ segmentation facilitated by medical report supervision [10.396987980136602]
  マルチオーガンスーパービジョン(MOS)のための新しい事前学習・微調整フレームワークを提案する。 具体的には、まず、トレーニング前の段階で、医用画像とレポートのペアを合わせるために、グローバルコントラスト学習を導入する。 さらに,画像画素と臓器タグ間の意味的対応を暗黙的に学習するために,マルチラベル認識を活用する。
  論文  参考訳（メタデータ） (2024-09-04T03:46:17Z)
• Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch? [8.691839346510116]
  経験の再現は、よく知られた連続学習法である。 我々は,リプレイが肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることを示した。 実験の結果,リプレイは肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることがわかった。
  論文  参考訳（メタデータ） (2022-10-27T00:32:13Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Continual learning of longitudinal health records [0.0]
  縦ICUデータに対する連続学習手法の評価を行った。 短期的忘れを緩和する手法はいくつかあるが、ドメインシフトは大規模なタスクに対して難しい問題である。
  論文  参考訳（メタデータ） (2021-12-22T15:08:45Z)
• Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation [0.46023882211671957]
  医用画像の深層学習は、データ可用性に関する時間的およびプライバシー関連の制約に悩まされている。 本稿では,2つ以上のデータセットの同時可用性を活用して,コンテンツとドメイン間の絡み合いを学習するアーキテクチャを提案する。 本手法は破滅的な忘れ込みを減らし,最先端の継続的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-19T10:55:21Z)
• Disentangling Human Error from the Ground Truth in Segmentation of Medical Images [12.009437407687987]
  本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。 本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T11:03:12Z)

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。