論文の概要: One-Vote Veto: Semi-Supervised Learning for Low-Shot Glaucoma Diagnosis
- arxiv url: http://arxiv.org/abs/2012.04841v4
- Date: Mon, 21 Aug 2023 15:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 03:43:16.766490
- Title: One-Vote Veto: Semi-Supervised Learning for Low-Shot Glaucoma Diagnosis
- Title（参考訳）: One-Vote Veto:ローショット緑内障診断のための半教師付き学習
- Authors: Rui Fan, Christopher Bowd, Nicole Brye, Mark Christopher, Robert N.
Weinreb, David Kriegman, Linda M. Zangwill
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は,眼底画像から緑内障を自動診断するための有望な手法である。
CNNは通常、多くのバイオメディカル画像分類アプリケーションでは利用できない、十分なラベル付きデータをトレーニングに必要とします。
本稿では,(1)従来のシームズネットワークを拡張し,ラベル付きデータが限定的かつ不均衡な場合のローショット学習のトレーニング手法を導入し,(2)ラベル付きトレーニングデータを用いた新たな半教師付き学習戦略を導入し,精度の向上を図る。
- 参考スコア（独自算出の注目度）: 3.4069019052564506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs) are a promising technique for automated
glaucoma diagnosis from images of the fundus, and these images are routinely
acquired as part of an ophthalmic exam. Nevertheless, CNNs typically require a
large amount of well-labeled data for training, which may not be available in
many biomedical image classification applications, especially when diseases are
rare and where labeling by experts is costly. This article makes two
contributions to address this issue: (1) It extends the conventional Siamese
network and introduces a training method for low-shot learning when labeled
data are limited and imbalanced, and (2) it introduces a novel semi-supervised
learning strategy that uses additional unlabeled training data to achieve
greater accuracy. Our proposed multi-task Siamese network (MTSN) can employ any
backbone CNN, and we demonstrate with four backbone CNNs that its accuracy with
limited training data approaches the accuracy of backbone CNNs trained with a
dataset that is 50 times larger. We also introduce One-Vote Veto (OVV)
self-training, a semi-supervised learning strategy that is designed
specifically for MTSNs. By taking both self-predictions and contrastive
predictions of the unlabeled training data into account, OVV self-training
provides additional pseudo labels for fine-tuning a pre-trained MTSN. Using a
large (imbalanced) dataset with 66,715 fundus photographs acquired over 15
years, extensive experimental results demonstrate the effectiveness of low-shot
learning with MTSN and semi-supervised learning with OVV self-training. Three
additional, smaller clinical datasets of fundus images acquired under different
conditions (cameras, instruments, locations, populations) are used to
demonstrate the generalizability of the proposed methods.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は眼底の画像から緑内障を自動的に診断する有望な技術であり、眼科検査の一環として日常的に取得される。
それにもかかわらず、CNNは通常、多くのバイオメディカル画像分類アプリケーションでは利用できない、特に病気が稀で専門家によるラベル付けがコストがかかるような、十分なラベル付きデータを必要とする。
本論文は,(1)従来のシャム語ネットワークを拡張し,ラベル付きデータが限定的かつ不均衡な場合の低ショット学習の訓練方法を導入し,(2)ラベルなし学習データを追加して精度を高めるための新しい半教師付き学習戦略を導入する。
提案するマルチタスク・シームズ・ネットワーク(MTSN)は,任意のバックボーンCNNを使用でき,トレーニングデータに制限されたバックボーンCNNの精度が,50倍のデータセットでトレーニングされたバックボーンCNNの精度に近づくことを示す。
また,MTSNに特化して設計された半教師付き学習戦略であるOne-Vote Veto (OVV) 自己学習についても紹介する。
ラベル付きトレーニングデータの自己予測と対照的な予測の両方を考慮することで、OVVの自己学習は、事前トレーニングされたMTSNを微調整するための追加の擬似ラベルを提供する。
15年以上にわたって取得された66,715枚の写真を含む大規模な(不均衡な)データセットを用いて、MTSNを用いた低撮影学習とOVVによる半教師あり学習の有効性を実験的に実証した。
異なる条件(カメラ,機器,場所,人口)で取得した眼底画像の3つのより小さな臨床データセットを用いて,提案手法の一般化可能性を示す。
関連論文リスト
- Applications of Sequential Learning for Medical Image Classification [0.13191970195165517]
我々は,少量の医用画像データの連続的トレーニングのためのニューラルネットワークトレーニングフレームワークを開発した。
過度な適合、破滅的な忘れ、概念の漂流といった、逐次学習を妨げる問題に対処する。
論文 参考訳（メタデータ） (2023-09-26T00:46:25Z) - Self-Supervised Pre-Training with Contrastive and Masked Autoencoder
Methods for Dealing with Small Datasets in Deep Learning for Medical Imaging [8.34398674359296]
医用画像の深層学習は、診断ミスのリスクを最小限に抑え、放射線医の作業量を減らし、診断を加速する可能性がある。
このようなディープラーニングモデルのトレーニングには,すべてのトレーニングサンプルに対するアノテーションを備えた,大規模かつ正確なデータセットが必要です。
この課題に対処するために、ディープラーニングモデルは、自己教師付き学習の分野からのメソッドを使用してアノテーションなしで、大規模な画像データセット上で事前トレーニングすることができる。
論文 参考訳（メタデータ） (2023-08-12T11:31:01Z) - 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) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - 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) - One Representative-Shot Learning Using a Population-Driven Template with
Application to Brain Connectivity Classification and Evolution Prediction [0.0]
グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。
私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。
我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
論文 参考訳（メタデータ） (2021-10-06T08:36:00Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Self-Loop Uncertainty: A Novel Pseudo-Label for Semi-Supervised Medical
Image Segmentation [30.644905857223474]
本稿では,医療画像セグメンテーションのためのラベル付きデータと大量のラベル付き画像を用いて,ニューラルネットワークを訓練するための半教師付きアプローチを提案する。
未ラベル画像に対する新たな擬似ラベル(いわゆる自己ループ不確実性)を基盤として、トレーニングセットを増強し、セグメンテーション精度を高める。
論文 参考訳（メタデータ） (2020-07-20T02:52:07Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。