論文の概要: MedMNIST Classification Decathlon: A Lightweight AutoML Benchmark for
Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2010.14925v4
- Date: Thu, 20 May 2021 22:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 04:26:39.116343
- Title: MedMNIST Classification Decathlon: A Lightweight AutoML Benchmark for
Medical Image Analysis
- Title(参考訳): MedMNIST分類基準:医療画像解析のための軽量オートMLベンチマーク
- Authors: Jiancheng Yang, Rui Shi, Bingbing Ni
- Abstract要約: MedMNIST(MedMNIST)は、医療用オープンデータセット10の集合体である。
MedMNISTは、軽量28x28画像の分類タスクを実行するために標準化されている。
MedMNISTは、医療画像解析において、教育目的、迅速なプロトタイピング、マルチモーダル機械学習、AutoMLに使用できる。
- 参考スコア(独自算出の注目度): 46.02653153307692
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present MedMNIST, a collection of 10 pre-processed medical open datasets.
MedMNIST is standardized to perform classification tasks on lightweight 28x28
images, which requires no background knowledge. Covering the primary data
modalities in medical image analysis, it is diverse on data scale (from 100 to
100,000) and tasks (binary/multi-class, ordinal regression and multi-label).
MedMNIST could be used for educational purpose, rapid prototyping, multi-modal
machine learning or AutoML in medical image analysis. Moreover, MedMNIST
Classification Decathlon is designed to benchmark AutoML algorithms on all 10
datasets; We have compared several baseline methods, including open-source or
commercial AutoML tools. The datasets, evaluation code and baseline methods for
MedMNIST are publicly available at https://medmnist.github.io/.
- Abstract(参考訳): MedMNISTは10の医療用オープンデータセットの集合である。
MedMNISTは、背景知識を必要としない軽量28x28イメージの分類タスクを実行するために標準化されている。
医療画像解析における主要なデータモダリティは、データスケール(100から10万)とタスク(バイナリ/マルチクラス、順序回帰、マルチラベル)によって多様である。
MedMNISTは、医療画像解析において、教育目的、迅速なプロトタイピング、マルチモーダル機械学習、AutoMLに使用できる。
さらに、medmnist分類decathlonは、10のデータセットすべてでautomlアルゴリズムをベンチマークするように設計されており、オープンソースや商用のautomlツールを含むいくつかのベースラインメソッドを比較した。
MedMNISTのデータセット、評価コード、ベースラインメソッドはhttps://medmnist.github.io/で公開されている。
関連論文リスト
- Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。
OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。
本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
論文 参考訳(メタデータ) (2023-07-27T20:36:02Z) - 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) - Self-supervision for medical image classification: state-of-the-art
performance with ~100 labeled training samples per class [0.0]
ラベルを含まない自己蒸留法(DINO)における自己教師型DLの性能を解析した。
我々は,3つの画像モダリティとデータセットに対して,最先端の分類性能を実現する。
論文 参考訳(メタデータ) (2023-04-11T11:51:50Z) - PMC-CLIP: Contrastive Language-Image Pre-training using Biomedical
Documents [35.64805788623848]
PMC-OAは,PubMedCentralのOpenAccessサブセットから1.6Mイメージキャプチャペアを収集したバイオメディカルデータセットである。
PMC-OAは様々なモダリティや病気をカバーしており、ほとんどの画像キャプチャーサンプルはよりきめ細かいレベルで調整されている。
PMC-OA上でCLIPスタイルのモデルを事前学習しながら、PMC-CLIPと呼ばれるモデルが、様々なダウンストリームタスクで最先端の結果を得る。
論文 参考訳(メタデータ) (2023-03-13T16:13:16Z) - Standardized Medical Image Classification across Medical Disciplines [0.0]
AUCMEDIは、医療画像分類のためのPythonベースのフレームワークである。
本稿では,複数のデータセットに適用することで,AUCMEDIの能力を評価する。
論文 参考訳(メタデータ) (2022-10-20T08:38:31Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - MedMNIST v2: A Large-Scale Lightweight Benchmark for 2D and 3D
Biomedical Image Classification [59.10015984688104]
MedMNIST v2は、MNISTに似た大規模データセットコレクションである。
得られたデータセットは708,069個の2D画像と10,214個の3D画像で構成されている。
論文 参考訳(メタデータ) (2021-10-27T22:02:04Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T20:05:35Z)
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。