Fugu-MT 論文翻訳(概要): A Transfer Learning Based Active Learning Framework for Brain Tumor Classification

論文の概要: A Transfer Learning Based Active Learning Framework for Brain Tumor Classification

arxiv url: http://arxiv.org/abs/2011.09265v1
Date: Mon, 16 Nov 2020 21:11:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 00:06:45.666367
Title: A Transfer Learning Based Active Learning Framework for Brain Tumor Classification
Title（参考訳）: 伝達学習に基づく脳腫瘍分類のための能動学習フレームワーク
Authors: Ruqian Hao, Khashayar Namdar, Lin Liu, Farzad Khalvati
Abstract要約: そこで我々は,アノテーションのコストを削減するために,新しい移動学習に基づくアクティブラーニングフレームワークを提案する。我々は,203症例のMRIトレーニングデータセットを用いて,2次元スライス法を用いてモデルを訓練・微調整する。提案手法により,66例の個別検査データセットを用いて,AUC(Area Under Receiver Operating Characteristics)曲線の82.89%を達成した。
参考スコア（独自算出の注目度）: 10.437969366798411
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Brain tumor is one of the leading causes of cancer-related death globally among children and adults. Precise classification of brain tumor grade (low-grade and high-grade glioma) at early stage plays a key role in successful prognosis and treatment planning. With recent advances in deep learning, Artificial Intelligence-enabled brain tumor grading systems can assist radiologists in the interpretation of medical images within seconds. The performance of deep learning techniques is, however, highly depended on the size of the annotated dataset. It is extremely challenging to label a large quantity of medical images given the complexity and volume of medical data. In this work, we propose a novel transfer learning based active learning framework to reduce the annotation cost while maintaining stability and robustness of the model performance for brain tumor classification. We employed a 2D slice-based approach to train and finetune our model on the Magnetic Resonance Imaging (MRI) training dataset of 203 patients and a validation dataset of 66 patients which was used as the baseline. With our proposed method, the model achieved Area Under Receiver Operating Characteristic (ROC) Curve (AUC) of 82.89% on a separate test dataset of 66 patients, which was 2.92% higher than the baseline AUC while saving at least 40% of labeling cost. In order to further examine the robustness of our method, we created a balanced dataset, which underwent the same procedure. The model achieved AUC of 82% compared with AUC of 78.48% for the baseline, which reassures the robustness and stability of our proposed transfer learning augmented with active learning framework while significantly reducing the size of training data.
Abstract（参考訳）: 脳腫瘍は、小児や成人のがん関連死の主要な原因の1つである。早期の脳腫瘍グレード(低次・高次グリオーマ)の正確な分類は予後と治療計画において重要な役割を担っている。近年のディープラーニングの進歩により、人工知能による脳腫瘍評価システムは、医療画像の解釈を数秒以内に行うことができる。しかし、ディープラーニング技術の性能は、注釈付きデータセットのサイズに大きく依存している。医療データの複雑さと量を考えると、大量の医療画像にラベルをつけることは極めて困難である。本研究では,脳腫瘍分類におけるモデル性能の安定性とロバスト性を維持しつつ,アノテーションコストを低減できる新しいトランスファー学習ベースのアクティブラーニングフレームワークを提案する。我々は,203例のMRIトレーニングデータセットと,ベースラインとして使用した66例の検証データセットに,2次元スライス法を用いてモデルを訓練し,微調整した。提案手法を用いて,66例の別検体を用いて,AUC(Area Under Receiver Operating Characteristics, ROC)曲線の82.89%を達成し,少なくとも40%のラベリングコストを節約しながら,AUCよりも2.92%高い結果を得た。提案手法のロバスト性をさらに検証するために,同じ手順を経たバランスの取れたデータセットを作成した。モデルでは, ベースラインに対するAUCの78.48%と比較して82%のAUCを実現し, アクティブラーニングフレームワークを付加したトランスファーラーニングの堅牢性と安定性を保証し, トレーニングデータのサイズを大幅に削減した。

関連論文リスト

Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches [0.0]
脳腫瘍は、急速な成長と転移の可能性のために深刻な健康上の脅威となる。本研究の目的は,脳腫瘍分類の効率と精度を向上させることである。我々のアプローチは、ViT(Vision Transformer)、Capsule Neural Network(CapsNet)、ResNet-152やVGG16といった畳み込みニューラルネットワーク(CNN)など、最先端のディープラーニングアルゴリズムを組み合わせる。
論文参考訳（メタデータ） (2024-10-31T07:28:06Z)
Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文参考訳（メタデータ） (2024-07-31T04:32:43Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Parameter-Efficient Methods for Metastases Detection from Clinical Notes [19.540079966780954]
本研究の目的は,CT(Free-style Computed Tomography)ラジオグラフィーによる転移性肝疾患の検出を自動化することである。本研究は,3つのアプローチを用いて知識を伝達することで,モデルの性能を向上させることを実証する。
論文参考訳（メタデータ） (2023-10-27T20:30:59Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer Learning and Imbalance Handling in Deep Learning Models [0.0]
MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。公開のBrain MRIデータセットを活用することで、実験はさまざまな腫瘍タイプを分類するための様々な転写学習モデルを評価した。 VGG-16とCNNを組み合わせた提案手法は,96%の精度で,代替手法をはるかに上回った。
論文参考訳（メタデータ） (2023-08-13T17:30:32Z)
A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation [0.0]
脳腫瘍は、個人の寿命を減少させる深刻な健康上の合併症の1つである。脳腫瘍のタイムリーな検出と予測は、脳腫瘍による死亡率の予防に役立つ。ディープラーニングベースのアプローチは、自動化バイオメディカル画像探索ツールを開発するための有望なソリューションとして登場した。
論文参考訳（メタデータ） (2023-07-16T14:06:45Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
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)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Deep Transfer Learning for Brain Magnetic Resonance Image Multi-class Classification [0.6117371161379209]
我々は、Deep Transfer Learningを用いて脳MRI画像中の腫瘍の多重分類を行うフレームワークを開発した。新たなデータセットと2つの公開MRI脳データセットを使用して、提案手法は86.40%の精度で分類された。本研究は,脳腫瘍のマルチクラス化タスクにおいて,トランスファーラーニングのためのフレームワークが有用かつ効果的な方法であることを示すものである。
論文参考訳（メタデータ） (2021-06-14T12:19:27Z)

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。