論文の概要: Advancing diagnostic performance and clinical usability of neural
networks via adversarial training and dual batch normalization
- arxiv url: http://arxiv.org/abs/2011.13011v1
- Date: Wed, 25 Nov 2020 20:41:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:38:39.626302
- Title: Advancing diagnostic performance and clinical usability of neural
networks via adversarial training and dual batch normalization
- Title(参考訳): 逆行訓練と二重バッチ正規化によるニューラルネットワークの診断性能と臨床使用性の向上
- Authors: Tianyu Han, Sven Nebelung, Federico Pedersoli, Markus Zimmermann,
Maximilian Schulze-Hagen, Michael Ho, Christoph Haarburger, Fabian Kiessling,
Christiane Kuhl, Volkmar Schulz, Daniel Truhn
- Abstract要約: 6人の放射線学者がX線、CT、磁気共鳴画像スキャンのデータセットにおける塩分濃度マップの解釈可能性を評価する。
その結果, 十分大きなデータセットと二重バッチノルムを用いた場合, 逆学習モデルの精度は標準モデルに等しいことがわかった。
- 参考スコア(独自算出の注目度): 2.1699022621790736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unmasking the decision-making process of machine learning models is essential
for implementing diagnostic support systems in clinical practice. Here, we
demonstrate that adversarially trained models can significantly enhance the
usability of pathology detection as compared to their standard counterparts. We
let six experienced radiologists rate the interpretability of saliency maps in
datasets of X-rays, computed tomography, and magnetic resonance imaging scans.
Significant improvements were found for our adversarial models, which could be
further improved by the application of dual batch normalization. Contrary to
previous research on adversarially trained models, we found that the accuracy
of such models was equal to standard models when sufficiently large datasets
and dual batch norm training were used. To ensure transferability, we
additionally validated our results on an external test set of 22,433 X-rays.
These findings elucidate that different paths for adversarial and real images
are needed during training to achieve state of the art results with superior
clinical interpretability.
- Abstract(参考訳): 臨床における診断支援システムの実現には,機械学習モデルの意思決定プロセスの解明が不可欠である。
そこで本研究では, 敵が訓練したモデルが, 通常のモデルと比較して, 病理検出の有用性を著しく向上させることを実証する。
6名の経験豊富な放射線科医に,x線,ct,磁気共鳴画像のデータセットにおけるサリエンシーマップの解釈可能性を評価させた。
両バッチ正規化の適用によりさらに改善が期待できる敵モデルに対して,重要な改良が得られた。
逆向きに訓練されたモデルに対する以前の研究とは対照的に、そのようなモデルの精度は、十分に大きなデータセットと二重バッチノルムトレーニングを使用する場合の標準モデルに等しいことがわかった。
転移性を確保するため,22,433個のx線を外部テストセットで検証した。
これらの結果から, 臨床解釈性に優れた技術結果を達成するためには, 実画像と実画像の異なる経路が必要であることが示唆された。
関連論文リスト
- Understanding Calibration of Deep Neural Networks for Medical Image
Classification [3.461503547789351]
本研究では,異なるトレーニング体制下でのモデル性能とキャリブレーションについて検討する。
本研究は,完全教師付きトレーニングと,移動学習を伴わない回転型自己教師方式について考察する。
本研究では,重み分布や学習表現の類似性などの要因が,モデルで観測されるキャリブレーション傾向と相関していることを明らかにする。
論文 参考訳(メタデータ) (2023-09-22T18:36:07Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Evaluating the feasibility of using Generative Models to generate Chest
X-Ray Data [0.0]
人工胸部X線画像作成のための生成モデルの有用性について検討した。
我々は,ケストX線14データセットを実験に利用し,モデルの性能評価を行った。
その結果,生成した画像は視覚的に説得力があり,分類モデルの精度向上に有効であることが示唆された。
論文 参考訳(メタデータ) (2023-05-30T10:36:30Z) - Adapting Pretrained Vision-Language Foundational Models to Medical
Imaging Domains [3.8137985834223502]
臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。
安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。
我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
論文 参考訳(メタデータ) (2022-10-09T01:43:08Z) - Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs [0.0]
本稿では,高密度畳み込みニューラルネットワーク(DenseNet)とモデル解釈可能性を用いた胸部X線診断モデルを提案する。
我々は前頭前頭X線を用いてモデルを訓練し、受信機動作特性曲線(AUC)の下の領域を含む様々な定量的指標を用いてその性能を評価した。
提案モデルでは,NoduleのAUCスコアは0.655,精度0.66のAUCスコアは0.826で,AUCスコアは0.896,Noduleは0.655であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - Multi-Domain Balanced Sampling Improves Out-of-Distribution
Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。
複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
論文 参考訳(メタデータ) (2021-12-27T15:28:01Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Intra-model Variability in COVID-19 Classification Using Chest X-ray
Images [0.0]
12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。
最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
論文 参考訳(メタデータ) (2020-04-30T21:20:32Z)
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。