論文の概要: A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis
- arxiv url: http://arxiv.org/abs/2101.05410v1
- Date: Thu, 14 Jan 2021 01:39:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 00:46:42.835111
- Title: A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis
- Title（参考訳）: 新型コロナウイルス診断改善のための多段階交流学習フレームワーク
- Authors: Yi Liu, Shuiwang Ji
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 49.3704402041314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) imaging is a promising approach to diagnosing the
COVID-19. Machine learning methods can be employed to train models from labeled
CT images and predict whether a case is positive or negative. However, there
exists no publicly-available and large-scale CT data to train accurate models.
In this work, we propose a multi-stage attentive transfer learning framework
for improving COVID-19 diagnosis. Our proposed framework consists of three
stages to train accurate diagnosis models through learning knowledge from
multiple source tasks and data of different domains. Importantly, we propose a
novel self-supervised learning method to learn multi-scale representations for
lung CT images. Our method captures semantic information from the whole lung
and highlights the functionality of each lung region for better representation
learning. The method is then integrated to the last stage of the proposed
transfer learning framework to reuse the complex patterns learned from the same
CT images. We use a base model integrating self-attention (ATTNs) and
convolutional operations. Experimental results show that networks with ATTNs
induce greater performance improvement through transfer learning than networks
without ATTNs. This indicates attention exhibits higher transferability than
convolution. Our results also show that the proposed self-supervised learning
method outperforms several baseline methods.
- Abstract（参考訳）: CTは新型コロナウイルスの診断に有望なアプローチである。
機械学習手法は、ラベル付きCT画像からモデルをトレーニングし、ケースが正か負かを予測するために用いられる。
しかし、正確なモデルをトレーニングするための公開データや大規模CTデータはない。
本研究では、新型コロナウイルスの診断を改善するための多段階学習フレームワークを提案する。
提案フレームワークは,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することで,正確な診断モデルを訓練する3つの段階から構成される。
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。
本手法は,肺全体から意味情報を取り込み,各肺領域の機能を強調し,より優れた表現学習を行う。
次に,提案手法を移動学習フレームワークの最終段階に統合し,同じCT画像から得られた複雑なパターンを再利用する。
自己意識(ATTN)と畳み込み操作を統合したベースモデルを用いる。
実験の結果,attnを用いたネットワークはattnのないネットワークよりも転送学習による性能向上を誘導することがわかった。
これは畳み込みよりも移動性が高いことを示している。
また,提案手法は,いくつかのベースライン法よりも優れていることを示す。
関連論文リスト
- Continual Self-supervised Learning Considering Medical Domain Knowledge in Chest CT Images [36.88692059388115]
胸部CT画像における医療領域の知識を考慮した,新たな自己教師型学習法(CSSL)を提案する。
提案手法は,学習前の知識と新たな情報との関係を異なる段階で効果的に把握することで,逐次学習の課題に対処する。
2つの異なる画像条件下で得られた胸部CT画像を用いて本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-08T01:27:35Z) - CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳（メタデータ） (2024-07-18T01:42:00Z) - MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳（メタデータ） (2023-10-03T12:19:19Z) - 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) - 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) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Self-supervised Model Based on Masked Autoencoders Advance CT Scans
Classification [0.0]
本稿では,自己教師付き学習アルゴリズムMAEに着想を得た。
ImageNetで事前トレーニングされたMAEモデルを使用して、CT Scansデータセット上で転送学習を実行する。
この方法はモデルの一般化性能を改善し、小さなデータセットに過度に適合するリスクを回避する。
論文 参考訳（メタデータ） (2022-10-11T00:52:05Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT
Classification [20.66003113364796]
新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。
画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。
本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-15T11:09:04Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。