論文の概要: Training custom modality-specific U-Net models with weak localizations
for improved Tuberculosis segmentation and localization
- arxiv url: http://arxiv.org/abs/2102.10607v1
- Date: Sun, 21 Feb 2021 14:03:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:58:04.223389
- Title: Training custom modality-specific U-Net models with weak localizations
for improved Tuberculosis segmentation and localization
- Title(参考訳): 結核のセグメンテーションとローカライゼーションを改善するための弱局所化を用いたカスタムモダリティ特化U-Netモデルの訓練
- Authors: Sivaramakrishnan Rajaraman, Les Folio, Jane Dimperio, Philip Alderson
and Sameer Antani
- Abstract要約: UNetセグメンテーションモデルは従来の手工芸品よりも優れた性能を示している。
結核の鑑別診断のためのカスタム胸部x線モダリティ特定unetモデルの訓練を行った。
- 参考スコア(独自算出の注目度): 0.6999740786886535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: UNet segmentation models have demonstrated superior performance compared to
conventional handcrafted features. Modality specific DL models are better at
transferring domain knowledge to a relevant target task than those that are
pretrained on stock photography images. Using them helps improve model
adaptation, generalization, and class-specific region of interest localization.
In this study, we train custom chest X ray modality specific UNet models for
semantic segmentation of Tuberculosis (TB) consistent findings. Automated
segmentation of such manifestations could help radiologists reduce errors
following initial interpretation and before finalizing the report. This could
improve radiologist accuracy by supplementing decision making while improving
patient care and productivity. Our approach uses a comprehensive strategy that
first uses publicly available chest X ray datasets with weak TB annotations,
typically provided as bounding boxes, to train a set of UNet models. Next, we
improve the results of the best performing model using an augmented training
strategy on data with weak localizations from the outputs of a selection of DL
classifiers that are trained to produce a binary decision ROI mask for
suspected TB manifestations. The augmentation aims to improve performance with
test data derived from the same training distribution and other cross
institutional collections. We observe that compared to non augmented training
our augmented training strategy helped the custom modality specific UNet models
achieve superior performance with test data that is both similar to the
training distribution as well as for cross institutional test sets.
- Abstract(参考訳): UNetセグメンテーションモデルは従来の手工芸品よりも優れた性能を示している。
モダリティ固有のDLモデルは、ストック画像で事前訓練されているものよりも、ドメイン知識を関連するターゲットタスクに転送するのがよい。
それらの利用は、モデル適応、一般化、興味ある局所化のクラス固有の領域を改善するのに役立ちます。
本研究では,結核 (tb) の意味セグメンテーションのためのカスタム胸部x線モダリティ特定 unet モデルを訓練した。
このような症状の自動化セグメンテーションは、放射線科医が最初の解釈とレポートの完了後にエラーを減らすのに役立ちます。
これにより、患者のケアと生産性を改善しつつ意思決定を補うことで、放射線学の精度を向上させることができる。
私たちのアプローチは、まず一般にバウンディングボックスとして提供される弱いTBアノテーションを備えた公開胸部X線データセットを使用して、UNetモデルのセットを訓練する包括的な戦略を使用します。
次に,TBの出現を疑う2値決定ROIマスクを作成するために訓練されたDL分類器の出力から,ローカライゼーションの弱いデータに対する強化トレーニング戦略を用いて,最高の性能モデルの結果を改善する。
この強化は、同じトレーニング分布やその他の機関横断的なコレクションから得られるテストデータを用いて、パフォーマンスを向上させることを目的としている。
非拡張トレーニングと比較して、当社の強化トレーニング戦略は、トレーニング分布に類似したテストデータと、機関間テストセットの両方で、カスタムモダリティ固有のunetモデルが優れたパフォーマンスを達成するのに役立ちました。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳(メタデータ) (2024-11-04T12:24:33Z) - Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。
大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
論文 参考訳(メタデータ) (2024-07-19T06:41:31Z) - Few-Shot Airway-Tree Modeling using Data-Driven Sparse Priors [0.0]
限られたアノテートデータのみを使用して事前訓練されたモデルを転送するには、少ないショットの学習アプローチが費用対効果がある。
我々は,肺CTスキャンにおいて,気道の効率を高めるために,データ駆動型スペーシフィケーションモジュールを訓練する。
次に、これらのスパース表現を標準教師付きセグメンテーションパイプラインに組み込み、DLモデルの性能を高めるための事前学習ステップとする。
論文 参考訳(メタデータ) (2024-07-05T13:46:11Z) - Towards Enhanced Analysis of Lung Cancer Lesions in EBUS-TBNA -- A Semi-Supervised Video Object Detection Method [0.0]
本研究は, 子宮内膜超音波(EBUS)を用いた肺病変のコンピュータ診断システムの構築を目的とする。
これまでの研究では、EBUS-TBNAへのオブジェクト検出モデルの適用が不足していた。
論文 参考訳(メタデータ) (2024-04-02T13:23:21Z) - On the Out of Distribution Robustness of Foundation Models in Medical
Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。
一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。
さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文 参考訳(メタデータ) (2023-11-18T14:52:10Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳(メタデータ) (2023-03-30T18:20:00Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳(メタデータ) (2020-02-22T14:10:13Z)
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。