Fugu-MT 論文翻訳(概要): Supervised Transfer Learning at Scale for Medical Imaging

論文の概要: Supervised Transfer Learning at Scale for Medical Imaging

arxiv url: http://arxiv.org/abs/2101.05913v3
Date: Thu, 21 Jan 2021 18:07:21 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 00:49:33.640999
Title: Supervised Transfer Learning at Scale for Medical Imaging
Title（参考訳）: 医用イメージングのための大規模トランスファー学習
Authors: Basil Mustafa, Aaron Loh, Jan Freyberg, Patricia MacWilliams, Megan Wilson, Scott Mayer McKinney, Marcin Sieniek, Jim Winkens, Yuan Liu, Peggy Bui, Shruthi Prabhakara, Umesh Telang, Alan Karthikesalingam, Neil Houlsby and Vivek Natarajan
Abstract要約: 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。
参考スコア（独自算出の注目度）: 8.341246672632582
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Transfer learning is a standard technique to improve performance on tasks with limited data. However, for medical imaging, the value of transfer learning is less clear. This is likely due to the large domain mismatch between the usual natural-image pre-training (e.g. ImageNet) and medical images. However, recent advances in transfer learning have shown substantial improvements from scale. We investigate whether modern methods can change the fortune of transfer learning for medical imaging. For this, we study the class of large-scale pre-trained networks presented by Kolesnikov et al. on three diverse imaging tasks: chest radiography, mammography, and dermatology. We study both transfer performance and critical properties for the deployment in the medical domain, including: out-of-distribution generalization, data-efficiency, sub-group fairness, and uncertainty estimation. Interestingly, we find that for some of these properties transfer from natural to medical images is indeed extremely effective, but only when performed at sufficient scale.
Abstract（参考訳）: 転送学習は、限られたデータでタスクのパフォーマンスを改善するための標準技術である。しかし, 医用画像では, 転校学習の価値はさほど明らかではない。これは、通常の自然像事前学習(例)の間の大きなドメインミスマッチによる可能性がある。画像ネット)と医療画像。しかし、最近の転校学習の進歩は、規模から大きく改善されている。医用画像における伝達学習の長所を現代的手法で変えられるかを検討する。本研究では,kolesnikovらによる大規模事前学習ネットワークのクラスについて検討した。胸部x線撮影, マンモグラフィ, 皮膚科の3つの画像診断課題について医療領域における展開における転送性能と臨界特性の両方について検討し, 分散一般化, データ効率, サブグループ公平性, 不確実性推定などについて検討した。興味深いことに、これらの性質のいくつかは、自然画像から医療画像への転送には極めて有効であるが、十分な規模で実行される場合に限られる。

関連論文リスト

Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation [17.46080957271494]
医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
論文参考訳（メタデータ） (2024-02-25T06:39:15Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
Revisiting Hidden Representations in Transfer Learning for Medical Imaging [2.4545492329339815]
7つの医学分類課題について,ImageNetとRadImageNetを比較した。その結果,ImageNetとRadImageNetは直感とは対照的に,異なる中間表現に収束する可能性が示唆された。その結果, ネットワーク間の微調整前後の類似性は, 性能向上と相関しないことがわかった。
論文参考訳（メタデータ） (2023-02-16T13:04:59Z)
Quantitative Imaging Principles Improves Medical Image Learning [0.0]
我々は、画像品質と定量的生物学的精度を向上させるために、生成SSL中に定量的イメージング原理を取り入れることを提案する。また,臨床定量的解析ソフトウェアを用いた画像も生成する。
論文参考訳（メタデータ） (2022-06-14T07:51:49Z)
What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors [1.5207770161985628]
医学領域への転帰学習が有用であるか否かは,どの要因が決定されるかは定かではない。転送学習,データサイズ,モデルのキャパシティと帰納バイアス,およびソースとターゲットドメイン間の距離の関係について検討する。
論文参考訳（メタデータ） (2022-03-02T10:13:11Z)
Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文参考訳（メタデータ） (2021-06-13T03:56:59Z)
Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文参考訳（メタデータ） (2021-03-24T16:24:20Z)
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)
Distant Domain Transfer Learning for Medical Imaging [14.806736041145964]
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。
論文参考訳（メタデータ） (2020-12-10T02:53:52Z)
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)
ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。