論文の概要: Tasting the cake: evaluating self-supervised generalization on
out-of-distribution multimodal MRI data
- arxiv url: http://arxiv.org/abs/2103.15914v1
- Date: Mon, 29 Mar 2021 19:49:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 15:02:52.568397
- Title: Tasting the cake: evaluating self-supervised generalization on
out-of-distribution multimodal MRI data
- Title(参考訳): tasting the cake: out-of-distribution multimodal mriデータにおける自己教師あり一般化の評価
- Authors: Alex Fedorov, Eloy Geenjaar, Lei Wu, Thomas P. DeRamus, Vince D.
Calhoun, Sergey M. Plis
- Abstract要約: 分散一般化におけるコントラスト的自己教師あり手法の範囲について検討する。
自然画像ベンチマークの結果から,自己教師付きモデルは期待するほど堅牢ではないことを示す。
また, この行動は, 広範囲な増大に対処できることを示す。
- 参考スコア(独自算出の注目度): 22.0920554384012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised learning has enabled significant improvements on natural
image benchmarks. However, there is less work in the medical imaging domain in
this area. The optimal models have not yet been determined among the various
options. Moreover, little work has evaluated the current applicability limits
of novel self-supervised methods. In this paper, we evaluate a range of current
contrastive self-supervised methods on out-of-distribution generalization in
order to evaluate their applicability to medical imaging. We show that
self-supervised models are not as robust as expected based on their results in
natural imaging benchmarks and can be outperformed by supervised learning with
dropout. We also show that this behavior can be countered with extensive
augmentation. Our results highlight the need for out-of-distribution
generalization standards and benchmarks to adopt the self-supervised methods in
the medical imaging community.
- Abstract(参考訳): 自己教師付き学習は、自然画像ベンチマークを大幅に改善した。
しかし、この領域では医療画像領域での作業は少ない。
最適モデルはまだ様々な選択肢の中で決定されていない。
さらに、新しい自己管理手法の適用可能性の限界を評価する研究はほとんどない。
本稿では, 医用画像への適用性を評価するため, 分散一般化におけるコントラスト的自己教師あり手法の応用範囲について検討する。
自然画像のベンチマークの結果から,自己教師付きモデルは期待したほど堅牢ではなく,ドロップアウトによる教師付き学習により性能が向上することを示した。
また, この行動は, 広範囲な増大に対処できることを示す。
本研究は, 医療画像コミュニティにおける自己管理手法を採用するための, 分布外一般化標準とベンチマークの必要性を浮き彫りにした。
関連論文リスト
- Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios [0.0]
マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。
ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。
汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。
3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
論文 参考訳(メタデータ) (2025-01-29T11:09:50Z) - 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) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。
提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
論文 参考訳(メタデータ) (2023-03-23T12:48:47Z) - 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) - PatchNR: Learning from Small Data by Patch Normalizing Flow
Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。
patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文 参考訳(メタデータ) (2022-05-24T12:14:26Z) - In-Bed Human Pose Estimation from Unseen and Privacy-Preserving Image
Domains [22.92165116962952]
ベッド内の人間の姿勢推定は、医療状況の評価において潜在的な価値を持つ重要な健康関連指標を提供する。
本稿では,マルチモーダル条件変分オートエンコーダ(MC-VAE)を提案する。
本研究は, 身体位置が利用可能なモダリティから効果的に認識できることを示し, ベースラインモデルと同等の結果が得られることを示した。
論文 参考訳(メタデータ) (2021-11-30T04:56:16Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - Big Self-Supervised Models Advance Medical Image Classification [36.23989703428874]
医療画像分類のための前訓練戦略としての自己監督学習の有効性を検討する。
本研究では,患者1例当たりの病理の複数の画像を用いたマルチインスタンスコントラスト学習(MICLe)法を提案する。
大規模な自己教師型モデルでは分布シフトに頑健であり,少数のラベル付き医療画像を用いて効率よく学習できることを示す。
論文 参考訳(メタデータ) (2021-01-13T17:36:31Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。