論文の概要: Deep reinforcement learning-based image classification achieves perfect testing set accuracy for MRI brain tumors with a training set of only 30 images

• arxiv url: http://arxiv.org/abs/2102.02895v1
• Date: Thu, 4 Feb 2021 21:31:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 14:51:31.253665
• Title: Deep reinforcement learning-based image classification achieves perfect testing set accuracy for MRI brain tumors with a training set of only 30 images
• Title（参考訳）: 深部強化学習に基づく画像分類は、たった30画像のトレーニングセットでMRI脳腫瘍の完全検査セット精度を達成する
• Authors: Joseph Stember and Hrithwik Shalu
• Abstract要約: 画像分類のための強化学習を導入する。 特に腫瘍を含む2次元MRI画像に対するアプローチについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Image classification may be the fundamental task in imaging artificial intelligence. We have recently shown that reinforcement learning can achieve high accuracy for lesion localization and segmentation even with minuscule training sets. Here, we introduce reinforcement learning for image classification. In particular, we apply the approach to normal vs. tumor-containing 2D MRI brain images. Materials and Methods: We applied multi-step image classification to allow for combined Deep Q learning and TD(0) Q learning. We trained on a set of 30 images (15 normal and 15 tumor-containing). We tested on a separate set of 30 images (15 normal and 15 tumor-containing). For comparison, we also trained and tested a supervised deep-learning classification network on the same set of training and testing images. Results: Whereas the supervised approach quickly overfit the training data and as expected performed poorly on the testing set (57% accuracy, just over random guessing), the reinforcement learning approach achieved an accuracy of 100%. Conclusion: We have shown a proof-of-principle application of reinforcement learning to the classification of brain tumors. We achieved perfect testing set accuracy with a training set of merely 30 images.
• Abstract（参考訳）: 目的: 画像分類は、人工知能のイメージングにおける基本的なタスクである。 近年,強化学習は微小トレーニングセットにおいても,病変の局在とセグメンテーションに高い精度を発揮できることが示されている。 本稿では,画像分類のための強化学習を紹介する。 特に腫瘍を含む2次元MRI画像に対するアプローチについて検討した。 材料と方法: 深部Q学習とTD(0)Q学習を併用するために, 多段階画像分類を適用した。 30枚の画像(正常15枚、腫瘍含有15枚)を訓練した。 30例(正常15例,腫瘍含有15例)に分けて検討した。 比較のために、同じトレーニングとテストイメージのセットで教師付きディープラーニング分類ネットワークをトレーニングし、テストしました。 結果: 教師付きアプローチはトレーニングデータに迅速にオーバーフィットし,期待したようにテストセットではパフォーマンスが低かった(確率的推測よりも57%)が,強化学習アプローチは100%の精度を達成した。 結論:脳腫瘍の分類における強化学習の原理実証的応用を示した。 30画像のトレーニングセットで、完全なテストセットの精度を達成しました。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• 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)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Deep reinforcement learning with automated label extraction from clinical reports accurately classifies 3D MRI brain volumes [0.0]
  画像分類の高速化に向けた重要なステップが2つある。 SBERT自然言語処理手法を用いて,レポートからラベルを自動的に抽出する。 パート2では、これらのラベルをRLで使用して、3D画像ボリュームの分類であるDeep-Q Network(DQN)をトレーニングする。
  論文  参考訳（メタデータ） (2021-06-17T20:53:41Z)
• Unsupervised deep clustering and reinforcement learning can accurately segment MRI brain tumors with very small training sets [0.0]
  我々は,非教師付き深層クラスタリングと強化学習を脳腫瘍セグメントに応用する原理実証実験を行った。 このアプローチは、手引きアノテーションを必要とせずに放射線科医からの最小限の入力を必要とする人間同盟AIを表します。
  論文  参考訳（メタデータ） (2020-12-24T16:46:45Z)
• Reinforcement learning using Deep Q Networks and Q learning accurately localizes brain tumors on MRI with very small training sets [0.0]
  放射線学の深層学習は、悪名高い固有の限界に悩まされている。 我々はBraTS脳腫瘍データベースから30枚の2次元画像スライスを用いてDeep Qネットワークを訓練した。 次に、トレーニングされたDeep Qネットワークを、30のテストセットイメージの別セットでテストしました。
  論文  参考訳（メタデータ） (2020-10-21T05:00:04Z)
• Deep reinforcement learning to detect brain lesions on MRI: a proof-of-concept application of reinforcement learning to medical images [0.0]
  我々は脳腫瘍の位置を予測するために深層強化学習ネットワークを訓練する。 結果: 強化学習予測は訓練中に継続的に改善され, 教師付き深層学習予測は急速に変化した。
  論文  参考訳（メタデータ） (2020-08-06T15:26:28Z)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。