論文の概要: MedAug: Contrastive learning leveraging patient metadata improves representations for chest X-ray interpretation

• arxiv url: http://arxiv.org/abs/2102.10663v1
• Date: Sun, 21 Feb 2021 18:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 06:13:12.101080
• Title: MedAug: Contrastive learning leveraging patient metadata improves representations for chest X-ray interpretation
• Title（参考訳）: MedAug: 患者メタデータを活用したコントラスト学習は胸部X線解釈の表現を改善する
• Authors: Yen Nhi Truong Vu, Richard Wang, Niranjan Balachandar, Can Liu, Andrew Y. Ng, Pranav Rajpurkar
• Abstract要約: 患者メタデータを用いて、異なる画像の視点からポジティブなペアを選択する手法を開発しています。 胸部X線解釈の正の対を選択するための戦略を比較検討し, 同一患者, 画像研究, 側方性などを検討した。 すべての側面で同じ研究から同じ患者からのイメージを使用することを含む私達の最もよい性能の肯定的な対の選択戦略は平均AUCの3.4%そして14.4%の性能の増加を達成します。
• 参考スコア（独自算出の注目度）: 8.403653472706822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised contrastive learning between pairs of multiple views of the same image has been shown to successfully leverage unlabeled data to produce meaningful visual representations for both natural and medical images. However, there has been limited work on determining how to select pairs for medical images, where availability of patient metadata can be leveraged to improve representations. In this work, we develop a method to select positive pairs coming from views of possibly different images through the use of patient metadata. We compare strategies for selecting positive pairs for chest X-ray interpretation including requiring them to be from the same patient, imaging study or laterality. We evaluate downstream task performance by fine-tuning the linear layer on 1% of the labeled dataset for pleural effusion classification. Our best performing positive pair selection strategy, which involves using images from the same patient from the same study across all lateralities, achieves a performance increase of 3.4% and 14.4% in mean AUC from both a previous contrastive method and ImageNet pretrained baseline respectively. Our controlled experiments show that the keys to improving downstream performance on disease classification are (1) using patient metadata to appropriately create positive pairs from different images with the same underlying pathologies, and (2) maximizing the number of different images used in query pairing. In addition, we explore leveraging patient metadata to select hard negative pairs for contrastive learning, but do not find improvement over baselines that do not use metadata. Our method is broadly applicable to medical image interpretation and allows flexibility for incorporating medical insights in choosing pairs for contrastive learning.
• Abstract（参考訳）: 同じ画像の複数のビューのペア間の自己教師ありコントラスト学習は、ラベルのないデータを利用して、自然画像と医学画像の両方に有意義な視覚的表現を作り出すことに成功している。 しかし、患者メタデータの可用性を利用して表現を改善する医療画像のペアを選択する方法を決定する作業は限られています。 本研究では, 患者メタデータを用いて, 多分異なる画像の視点から正のペアを選択する手法を開発した。 胸部X線解釈の正の対を選択するための戦略を比較検討し, 同一患者, 画像研究, 側方性などを検討した。 胸水分類のためのラベル付きデータセットの1%にリニア層を微調整して下流タスク性能を評価する。 すべての側面で同じ研究から同じ患者からの画像を使用することを含む私たちの最高のパフォーマンスの肯定的なペア選択戦略は、それぞれ前の対照的方法とImageNet事前訓練ベースラインの両方から平均AUCで3.4%と14.4%のパフォーマンスの増加を達成します。 疾患分類における下流性能向上の鍵となるのは、(1)患者メタデータを用いて、同一の病状を持つ異なる画像から正のペアを適切に作成すること、(2)クエリーのペアリングに用いられる異なる画像の数を最大化することである。 さらに,コントラスト学習における患者メタデータの活用について検討するが,メタデータを使用しないベースラインの改善は見つからない。 本手法は医用画像解釈に広く適用でき,コントラスト学習のためのペア選択に医学的洞察を取り入れる柔軟性がある。

関連論文リスト

• Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound [65.23740556896654]
  自己教師付き学習 (SSL) は, 医療画像におけるラベル付きデータの健全性に対処するための戦略である。 本研究では,同じBモード超音波映像をSSLのペアとして用いた近位画像の利用効果について検討した。 この手法は、従来の超音波特異的比較学習法の平均検査精度を新型コロナウイルスの分類で上回り、IVPP(Intra-Video Positive Pairs)と命名された。
  論文  参考訳（メタデータ） (2024-03-12T14:57:57Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Anatomy-Aware Contrastive Representation Learning for Fetal Ultrasound [17.91546880972773]
  解剖学的認識型コントラスト学習(AWCL)による医用画像の視覚的表現の改善を提案する。 AWCLは解剖情報を組み込んで、正/負のペアサンプリングを対照的な学習方法で増強する。 大規模な胎児超音波データセットを用いた実験では、3つの臨床的下流課題によく伝達される表現の学習に有効であることが示された。
  論文  参考訳（メタデータ） (2022-08-22T22:49:26Z)
• Metadata-enhanced contrastive learning from retinal optical coherence tomography images [7.932410831191909]
  従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。 本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。 提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
  論文  参考訳（メタデータ） (2022-08-04T08:53:15Z)
• Contrast Adaptive Tissue Classification by Alternating Segmentation and Synthesis [0.21111026813272174]
  本稿では,訓練データのコントラスト特性を入力画像に適応する交互セグメンテーションと合成ステップを用いたアプローチについて述べる。 このアプローチの顕著な利点は、そのコントラスト特性に適応するために取得プロトコルの1つの例だけが必要であることである。
  論文  参考訳（メタデータ） (2021-03-04T00:25:24Z)
• Context Matters: Graph-based Self-supervised Representation Learning for Medical Images [21.23065972218941]
  2段階の自己監督型表現学習目標を備えた新しいアプローチを紹介します。 グラフニューラルネットワークを用いて、異なる解剖学的領域間の関係を組み込む。 我々のモデルは、画像中の臨床的に関連のある領域を識別できる。
  論文  参考訳（メタデータ） (2020-12-11T16:26:07Z)
• Contrastive Learning of Medical Visual Representations from Paired Images and Text [38.91117443316013]
  本研究では,自然発生した記述的ペアリングテキストを活用することで,医用視覚表現を学習するための教師なし戦略であるConVIRTを提案する。 この2つのモダリティ間の双方向のコントラスト的目的を通じて、ペア化されたテキストデータを用いて医療画像エンコーダを事前訓練する手法は、ドメインに依存しないため、追加の専門家による入力は不要である。
  論文  参考訳（メタデータ） (2020-10-02T02:10:18Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。