論文の概要: Self-Supervised Learning for Gastritis Detection with Gastric X-Ray Images

• arxiv url: http://arxiv.org/abs/2104.02864v1
• Date: Wed, 7 Apr 2021 02:32:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 12:52:52.472811
• Title: Self-Supervised Learning for Gastritis Detection with Gastric X-Ray Images
• Title（参考訳）: 胃X線画像を用いた胃炎検出のための自己教師付き学習
• Authors: Guang Li, Ren Togo, Takahiro Ogawa, Miki Haseyama
• Abstract要約: 医用画像解析のための新しい自己監督学習法を提案する。 本手法は少ないアノテーションで胃炎検出のための高い検出性能を実現することができる。
• 参考スコア（独自算出の注目度）: 28.123521526733523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel self-supervised learning method for medical image analysis. Great progress has been made in medical image analysis because of the development of supervised learning based on deep convolutional neural networks. However, annotating complex medical images usually requires expert knowledge, making it difficult for a wide range of real-world applications ($e.g.$, computer-aided diagnosis systems). Our self-supervised learning method introduces a cross-view loss and a cross-model loss to solve the insufficient available annotations in medical image analysis. Experimental results show that our method can achieve high detection performance for gastritis detection with only a small number of annotations.
• Abstract（参考訳）: 医用画像解析のための新しい自己教師型学習法を提案する。 深層畳み込みニューラルネットワークに基づく教師あり学習の開発により,医用画像解析は大きな進歩を遂げている。 しかし、複雑な医用画像の注釈付けは通常専門家の知識を必要とするため、様々な現実世界のアプリケーション(例えばコンピュータ支援診断システム)では困難である。 自己教師あり学習法では,医療画像解析において利用可能なアノテーションの不足を解決するために,クロスビューロスとクロスモデルロスを導入する。 実験結果から,本手法は少量のアノテーションで胃炎検出のための高い検出性能を達成できることが示唆された。

関連論文リスト

• Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
  胸部X線異常検出は重要な課題である。 近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。 凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T12:11:41Z)
• DINO-CXR: A self supervised method based on vision transformer for chest X-ray classification [0.9883261192383611]
  本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。 肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
  論文  参考訳（メタデータ） (2023-08-01T11:58:49Z)
• COVID-19 Detection Based on Self-Supervised Transfer Learning Using Chest X-Ray Images [38.65823547986758]
  胸部X線(CXR)画像から新型コロナウイルスを検出するための自己教師伝達学習法を提案する。 オープンなCOVID-19 CXRデータセットの定量的評価と,視覚検査のための質的結果について検討した。
  論文  参考訳（メタデータ） (2022-12-19T07:10:51Z)
• RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
  X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2022-11-01T07:41:03Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data Augmentation and Hard Boundary Box Training [2.254041925375415]
  提案システムは,90.2%の胃癌に対する感度(SE)を専門家(85.5%)より高い精度で達成する。 検出された5つの候補ボックスのうち2つは癌であり、画像当たり0.01秒の速度で画像を処理しながら高い精度を維持している。
  論文  参考訳（メタデータ） (2021-08-18T14:04:52Z)
• Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
  本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。 実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T02:04:12Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Deep learning classification of chest x-ray images [0.0]
  胸部X線画像における一般的な病態の分類のためのディープラーニングに基づく手法を提案する。 肺結節と心筋腫の2例に本法を適用した。 その結果,従来の方法と比較して結節および心内膜の検出におけるAUCの改善が認められた。
  論文  参考訳（メタデータ） (2020-05-19T17:29:33Z)
• Review on Computer Vision in Gastric Cancer: Potential Efficient Tools for Diagnosis [0.0]
  本総説は,胃癌に対するコンピュータビジョンの進歩に焦点を当てたものである。 データ生成と拡張の異なる方法が提示される。 より正確な診断とタイムリーな治療を支援するため,分類・分節技術について論じる。
  論文  参考訳（メタデータ） (2020-05-17T16:14:15Z)

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。