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
- Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳(メタデータ) (2023-12-11T02:27:45Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - 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
Representation from X-Ray Images [38.65823547986758]
X線画像から有意な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。
トレーニングセット全体を使用する場合、RGMIMは他の同等の方法よりも優れ、0.962肺疾患検出精度が達成された。
論文 参考訳(メタデータ) (2022-11-01T07:41:03Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - 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 [2.449909275410288]
胃癌検診では、X線はX線撮影者が行うことができ、内視鏡検査よりも多くの患者を見ることができる。
胃X線の感度は85.5%に過ぎず、胃癌を直接標的とする自動診断補助についてはほとんど研究されていない。
本稿では,現実的な臨床画像撮影条件下でのX線画像の実用的な胃癌検診システムを提案する。
論文 参考訳(メタデータ) (2021-08-18T14:04:52Z) - 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) - 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。