論文の概要: Beyond Fine-tuning: Classifying High Resolution Mammograms using Function-Preserving Transformations

• arxiv url: http://arxiv.org/abs/2101.07945v1
• Date: Wed, 20 Jan 2021 03:04:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 01:25:55.348313
• Title: Beyond Fine-tuning: Classifying High Resolution Mammograms using Function-Preserving Transformations
• Title（参考訳）: 微調整を超えて:機能保存変換を用いた高分解能マンモグラムの分類
• Authors: Tao Wei, Angelica I Aviles-Rivero, Shuo Wang, Yuan Huang, Fiona J Gilbert, Carola-Bibiane Sch\"onlieb, Chang Wen Chen
• Abstract要約: マンモグラムを分類する作業は、通常、病変が高解像度画像で小さいため、非常に困難です。 本稿では,MorphHRという新しいフレームワークを導入して,微調整以上のものを提案する。 提案するフレームワークは, 連続した非線形活性化ニューロンに対して, 機能保存変換を統合し, 内部的にネットワークを正規化し, マンモグラム分類を改善する。
• 参考スコア（独自算出の注目度）: 32.40975574666405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of classifying mammograms is very challenging because the lesion is usually small in the high resolution image. The current state-of-the-art approaches for medical image classification rely on using the de-facto method for ConvNets - fine-tuning. However, there are fundamental differences between natural images and medical images, which based on existing evidence from the literature, limits the overall performance gain when designed with algorithmic approaches. In this paper, we propose to go beyond fine-tuning by introducing a novel framework called MorphHR, in which we highlight a new transfer learning scheme. The idea behind the proposed framework is to integrate function-preserving transformations, for any continuous non-linear activation neurons, to internally regularise the network for improving mammograms classification. The proposed solution offers two major advantages over the existing techniques. Firstly and unlike fine-tuning, the proposed approach allows for modifying not only the last few layers but also several of the first ones on a deep ConvNet. By doing this, we can design the network front to be suitable for learning domain specific features. Secondly, the proposed scheme is scalable to hardware. Therefore, one can fit high resolution images on standard GPU memory. We show that by using high resolution images, one prevents losing relevant information. We demonstrate, through numerical and visual experiments, that the proposed approach yields to a significant improvement in the classification performance over state-of-the-art techniques, and is indeed on a par with radiology experts. Moreover and for generalisation purposes, we show the effectiveness of the proposed learning scheme on another large dataset, the ChestX-ray14, surpassing current state-of-the-art techniques.
• Abstract（参考訳）: マンモグラフィーの分類は,高解像度画像では病変が小さいため,非常に困難である。 医用画像分類における現在の最先端のアプローチは、ConvNetsのデファクト方式(ファクトチューニング)に頼っている。 しかし、自然画像と医学画像には根本的な違いがあり、文献からの既存の証拠に基づき、アルゴリズムによる設計による全体的な性能向上が制限されている。 本稿では,新しいトランスファー学習方式を強調するmorphhrと呼ばれる新しいフレームワークを導入することで,微調整を超越することを提案する。 提案されたフレームワークの背景にあるアイデアは、任意の連続的な非線形活性化ニューロンに対して機能保存変換を統合することで、マンモグラム分類を改善するネットワークを内部的に調整することである。 提案するソリューションは,既存の技術に対して2つの大きなメリットがある。 まず、微調整とは異なり、提案されたアプローチでは、最後のいくつかのレイヤだけでなく、Deep ConvNetの最初のレイヤも修正できる。 これによって、ドメイン固有の機能を学ぶのに適したネットワークフロントを設計することができます。 第二に、提案方式はハードウェアにスケーラブルである。 したがって、標準的なGPUメモリに高解像度の画像が収まる。 高解像度画像を用いることで,関連情報の消失を防止できることを示す。 数値的および視覚的な実験を通して,提案手法は最先端技術よりも分類性能が著しく向上し,放射線学の専門家と同等であることを示す。 さらに,本手法の汎用化のために,ChestX-ray14という別の大規模データセットに対する学習手法の有効性を示す。

関連論文リスト

• Learn From Orientation Prior for Radiograph Super-Resolution: Orientation Operator Transformer [8.009052363001903]
  高解像度X線画像は骨格筋関連疾患の早期診断と治療において重要な役割を担っている。 放射線画像場に単一画像超解像(SISR)モデルを導入することにより,画質の向上が期待できる。 従来の画像パイプラインは、色空間と画素間パターンからSRとdenoisingの混合マッピングを学習することができる。
  論文  参考訳（メタデータ） (2023-12-27T07:56:24Z)
• Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images [0.0]
  医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。 画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。 これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
  論文  参考訳（メタデータ） (2023-11-13T13:20:54Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
  我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。 提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
  論文  参考訳（メタデータ） (2023-03-24T09:10:14Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• Contrastive Registration for Unsupervised Medical Image Segmentation [1.5125686694430571]
  非教師型医用画像分割のための新しいコントラスト型登録アーキテクチャを提案する。 まず、教師なしの医用画像セグメントの登録により、画像から画像への変換パターンをキャプチャするアーキテクチャを提案する。 第2に,特徴レベルのネットワークの識別能力を高めるために,コントラスト学習機構を登録アーキテクチャに組み込む。
  論文  参考訳（メタデータ） (2020-11-17T19:29:08Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。