論文の概要: Distant Domain Transfer Learning for Medical Imaging
- arxiv url: http://arxiv.org/abs/2012.06346v1
- Date: Thu, 10 Dec 2020 02:53:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 23:50:04.011318
- Title: Distant Domain Transfer Learning for Medical Imaging
- Title（参考訳）: 医用画像のための遠方ドメイン転送学習
- Authors: Shuteng Niu, Meryl Liu, Yongxin Liu, Jian Wang, Houbing Song
- Abstract要約: 医用画像分類のための遠隔ドメイン転送学習(DDTL)手法を提案する。
いくつかの現在の研究では、肺CT(Computed Tomography)画像が迅速かつ正確なCOVID-19診断に使用できることが示されています。
提案手法は,遠隔地から収集したラベルのないデータから容易にアクセスできる。
それは「非転送」アルゴリズムよりも13%高い分類精度である96%の分類精度を達成しました。
- 参考スコア（独自算出の注目度）: 14.806736041145964
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Medical image processing is one of the most important topics in the field of
the Internet of Medical Things (IoMT). Recently, deep learning methods have
carried out state-of-the-art performances on medical image tasks. However,
conventional deep learning have two main drawbacks: 1) insufficient training
data and 2) the domain mismatch between the training data and the testing data.
In this paper, we propose a distant domain transfer learning (DDTL) method for
medical image classification. Moreover, we apply our methods to a recent issue
(Coronavirus diagnose). Several current studies indicate that lung Computed
Tomography (CT) images can be used for a fast and accurate COVID-19 diagnosis.
However, the well-labeled training data cannot be easily accessed due to the
novelty of the disease and a number of privacy policies. Moreover, the proposed
method has two components: Reduced-size Unet Segmentation model and Distant
Feature Fusion (DFF) classification model. It is related to a not
well-investigated but important transfer learning problem, termed Distant
Domain Transfer Learning (DDTL). DDTL aims to make efficient transfers even
when the domains or the tasks are entirely different. In this study, we develop
a DDTL model for COVID-19 diagnose using unlabeled Office-31, Catech-256, and
chest X-ray image data sets as the source data, and a small set of COVID-19
lung CT as the target data. The main contributions of this study: 1) the
proposed method benefits from unlabeled data collected from distant domains
which can be easily accessed, 2) it can effectively handle the distribution
shift between the training data and the testing data, 3) it has achieved 96\%
classification accuracy, which is 13\% higher classification accuracy than
"non-transfer" algorithms, and 8\% higher than existing transfer and distant
transfer algorithms.
- Abstract（参考訳）: 医用画像処理は、医用モノのインターネット(IoMT)分野において最も重要なトピックの1つである。
近年,深層学習手法が医用画像タスクにおいて最先端の成果を上げている。
しかし,従来のディープラーニングには,1)訓練データ不足,2)訓練データと試験データとのドメインミスマッチという2つの欠点がある。
本稿では,医療画像分類のための遠隔ドメイン転送学習(DDTL)手法を提案する。
さらに,本手法を最近の問題(コロナウイルス診断)に適用した。
いくつかの研究は、肺CT画像が、迅速かつ正確な新型コロナウイルスの診断に使用できることを示唆している。
しかし,病気の新規性やプライバシポリシの多さから,十分にラベルされたトレーニングデータへのアクセスは容易ではない。
さらに,提案手法は,DFF分類モデルと小型Unetセグメンテーションモデルという2つの要素を持つ。
DDTL(Distant Domain Transfer Learning)と呼ばれる、よく研究されていないが重要な転帰学習問題に関連している。
DDTLは、ドメインやタスクが全く異なる場合でも、効率的に転送することを目的としている。
本研究では,未ラベルのOffice-31,Catech-256,胸部X線画像データセットをソースデータとし,ターゲットデータとして少量のCOVID-19肺CTを用いた診断用DDTLモデルを開発した。
本研究の主な貢献は,1) 提案手法は, 容易にアクセス可能な遠隔ドメインから収集したラベル付きデータの恩恵を受け, 2) トレーニングデータとテストデータ間の分散シフトを効果的に処理し, 3) 96 % の分類精度を達成し, 「非転送」 アルゴリズムよりも13 % の分類精度を達成し, 既存の転送アルゴリズムや遠隔転送アルゴリズムよりも8 % 高い分類精度を実現したことである。
関連論文リスト
- Pick the Best Pre-trained Model: Towards Transferability Estimation for
Medical Image Segmentation [20.03177073703528]
転送学習は、難しい医用画像分割タスクのために、ディープニューラルネットワークをトレーニングする上で重要なテクニックである。
医用画像セグメンテーションのための新しい転送可能性推定法を提案する。
医用画像のセグメンテーションにおける転送可能性推定のアルゴリズムを網羅した手法を提案する。
論文 参考訳（メタデータ） (2023-07-22T01:58:18Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳（メタデータ） (2022-08-17T09:07:45Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。
提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-06-16T22:15:28Z) - Supervised Transfer Learning at Scale for Medical Imaging [8.341246672632582]
現代的手法が医療画像の転送学習の運命を変えることができるかどうかを検討する。
Kolesnikovらによって提示された大規模な事前訓練されたネットワークのクラスを研究します。
3つの多様なイメージングタスクで
自然画像から医用画像へ移行する性質のいくつかは、実際には極めて有効であるが、十分な規模で実行された場合にのみ有効である。
論文 参考訳（メタデータ） (2021-01-14T23:55:49Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for
Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。
正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文 参考訳（メタデータ） (2020-06-08T07:35:55Z)
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。