論文の概要: Imbalance-Aware Self-Supervised Learning for 3D Radiomic Representations
- arxiv url: http://arxiv.org/abs/2103.04167v1
- Date: Sat, 6 Mar 2021 18:17:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 16:03:15.063083
- Title: Imbalance-Aware Self-Supervised Learning for 3D Radiomic Representations
- Title(参考訳): 3次元放射能表現のための不均衡認識自己監督学習
- Authors: Hongwei Li, Fei-Fei Xue, Krishna Chaitanya, Shengda Liu, Ivan Ezhov,
Benedikt Wiestler, Jianguo Zhang, Bjoern Menze
- Abstract要約: 3d siameseネットワークを用いて,自己教師あり方式で画像表現の学習方法を示す。
MRIおよびCT撮影法を用いた脳腫瘍分類と肺癌のステージング作業において有意な改善がみられた。
- 参考スコア(独自算出の注目度): 5.750111443935516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Radiomic representations can quantify properties of regions of interest in
medical image data. Classically, they account for pre-defined statistics of
shape, texture, and other low-level image features. Alternatively, deep
learning-based representations are derived from supervised learning but require
expensive annotations from experts and often suffer from overfitting and data
imbalance issues. In this work, we address the challenge of learning
representations of 3D medical images for an effective quantification under data
imbalance. We propose a \emph{self-supervised} representation learning
framework to learn high-level features of 3D volumes as a complement to
existing radiomics features. Specifically, we demonstrate how to learn image
representations in a self-supervised fashion using a 3D Siamese network. More
importantly, we deal with data imbalance by exploiting two unsupervised
strategies: a) sample re-weighting, and b) balancing the composition of
training batches. When combining our learned self-supervised feature with
traditional radiomics, we show significant improvement in brain tumor
classification and lung cancer staging tasks covering MRI and CT imaging
modalities.
- Abstract(参考訳): 放射線表現は、医療画像データに対する関心領域の特性を定量化することができる。
古典的には、形状、テクスチャ、その他の低レベル画像の特徴を事前に定義した統計データである。
あるいは、深層学習に基づく表現は教師付き学習に由来するが、専門家からの高価なアノテーションが必要であり、しばしば過度な適合とデータ不均衡の問題に悩まされる。
本稿では,データ不均衡下における効果的な定量化のための3次元医用画像の学習表現の課題について述べる。
本研究では,既存の放射能特徴を補完する3次元ボリュームの高レベル特徴を学習するための表現学習フレームワークであるemph{self-supervised}を提案する。
具体的には,3D Siameseネットワークを用いて,自己監督による画像表現の学習方法を示す。
さらに重要なのは、a)サンプルの再重み付け、b)トレーニングバッチの構成のバランスのとれた2つの監視されていない戦略を利用して、データの不均衡に対処することです。
学習した自己監督機能と従来の放射線放射能を併用すると,MRIおよびCT画像撮影を対象とする脳腫瘍分類と肺癌のステージングタスクが大幅に改善した。
関連論文リスト
- 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) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Controllable Mind Visual Diffusion Model [58.83896307930354]
脳信号の可視化は、人間の視覚システムとコンピュータビジョンモデルの間の重要なインターフェースとして機能する活発な研究領域として登場した。
我々は、制御可能なマインドビジュアルモデル拡散(CMVDM)と呼ばれる新しいアプローチを提案する。
CMVDMは属性アライメントとアシスタントネットワークを用いてfMRIデータから意味情報とシルエット情報を抽出する。
そして、制御モデルを利用して抽出した情報を画像合成に活用し、セマンティクスやシルエットの観点から視覚刺激によく似た画像を生成する。
論文 参考訳(メタデータ) (2023-05-17T11:36:40Z) - Exploring Image Augmentations for Siamese Representation Learning with
Chest X-Rays [0.8808021343665321]
胸部X線異常検出のためのシームズネットワークの訓練と評価を行った。
我々は、アウト・オブ・ディストリビューションデータと病気の両方によく一般化する堅牢な表現をもたらす拡張の集合を同定する。
論文 参考訳(メタデータ) (2023-01-30T03:42:02Z) - 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) - 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) - Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。
我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。
本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
論文 参考訳(メタデータ) (2022-01-04T18:27:04Z) - Medical Transformer: Universal Brain Encoder for 3D MRI Analysis [1.6287500717172143]
既存の3Dベースの手法は、トレーニング済みのモデルを下流のタスクに転送している。
彼らは3D医療イメージングのためのモデルを訓練するために大量のパラメータを要求します。
本稿では,2次元画像スライス形式で3次元容積画像を効果的にモデル化する,メディカルトランスフォーマーと呼ばれる新しい伝達学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-04-28T08:34:21Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳(メタデータ) (2020-09-01T19:17:46Z) - An improved 3D region detection network: automated detection of the 12th
thoracic vertebra in image guided radiation therapy [0.09786690381850356]
本稿では,3次元体積データから解剖学的構造を検出するための新しい3次元完全畳み込みネットワーク(FCN)を提案する。
我々のアプローチは、画像誘導放射線治療の安全性を向上させるために、臨床ワークフローに統合される大きな可能性を秘めている。
論文 参考訳(メタデータ) (2020-03-26T21:41:00Z)
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。