論文の概要: Interpretability-Driven Sample Selection Using Self Supervised Learning
For Disease Classification And Segmentation
- arxiv url: http://arxiv.org/abs/2104.06087v1
- Date: Tue, 13 Apr 2021 10:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-14 13:28:41.473718
- Title: Interpretability-Driven Sample Selection Using Self Supervised Learning
For Disease Classification And Segmentation
- Title（参考訳）: 自己教師付き学習を用いた解釈可能性駆動型サンプル選択による疾患分類とセグメンテーション
- Authors: Dwarikanath Mahapatra
- Abstract要約: 解釈可能なサリエンシーマップに含まれる情報を活用した深層特徴に基づく新しいサンプル選択手法を提案する。
提案手法は, より少ないサンプルで, アートパフォーマンスの状態を導く情報的サンプルの選択において, 他の手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 4.898744396854313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In supervised learning for medical image analysis, sample selection
methodologies are fundamental to attain optimum system performance promptly and
with minimal expert interactions (e.g. label querying in an active learning
setup). In this paper we propose a novel sample selection methodology based on
deep features leveraging information contained in interpretability saliency
maps. In the absence of ground truth labels for informative samples, we use a
novel self supervised learning based approach for training a classifier that
learns to identify the most informative sample in a given batch of images. We
demonstrate the benefits of the proposed approach, termed
Interpretability-Driven Sample Selection (IDEAL), in an active learning setup
aimed at lung disease classification and histopathology image segmentation. We
analyze three different approaches to determine sample informativeness from
interpretability saliency maps: (i) an observational model stemming from
findings on previous uncertainty-based sample selection approaches, (ii) a
radiomics-based model, and (iii) a novel data-driven self-supervised approach.
We compare IDEAL to other baselines using the publicly available NIH chest
X-ray dataset for lung disease classification, and a public histopathology
segmentation dataset (GLaS), demonstrating the potential of using
interpretability information for sample selection in active learning systems.
Results show our proposed self supervised approach outperforms other approaches
in selecting informative samples leading to state of the art performance with
fewer samples.
- Abstract（参考訳）: 医用画像解析のための教師あり学習において、サンプル選択手法は、最適化システムの性能を迅速にかつ最小限の専門家相互作用(例)で達成するために基本となる。
アクティブな学習環境におけるラベルクエリ)。
本稿では,解釈可能度マップに含まれる情報を利用した深部特徴に基づく新しいサンプル選択手法を提案する。
情報サンプルのための基底的真理ラベルが存在しない場合、与えられた画像のバッチにおいて最も有益なサンプルを識別するために学習する分類器を訓練するために、新しい自己教師付き学習に基づくアプローチを用いる。
本稿では,肺疾患の分類と病理組織像のセグメンテーションを目的とした能動的学習手法として, Interpretability-Driven Sample Selection (IDEAL) というアプローチの利点を示す。
i) 従来の不確実性に基づくサンプル選択手法の発見から生じる観測モデル, (ii) 放射能に基づくモデル, および (iii) 新たなデータ駆動型自己監督手法である。
肺疾患分類のためのNIH胸部X線データセットと公衆病理組織分類データセット(GLaS)を用いて,IDEALを他のベースラインと比較し,アクティブな学習システムにおけるサンプル選択に解釈可能性情報を使用することの可能性を示した。
以上の結果から,本提案手法は,より少ないサンプル数で,アートパフォーマンスに繋がる情報的サンプルの選択において,他の手法よりも優れることが示された。
関連論文リスト
- Feature Selection in the Contrastive Analysis Setting [17.90957424147776]
コントラスト分析(Contrastive Analysis、CA)は、ターゲットデータセットに独自に濃縮されたバリエーションの探索を指す。
コントラスト特徴選択(CFS)は,CA設定において特徴選択を行う手法である。
提案手法は従来提案されていた教師付きかつ完全に教師なしな特徴選択法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2023-10-27T23:16:03Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - M-VAAL: Multimodal Variational Adversarial Active Learning for
Downstream Medical Image Analysis Tasks [16.85572580186212]
アクティブラーニングは、アノテーションの最も有益な例を積極的にサンプリングすることで、大きな注釈付きサンプルの必要性を最小化しようとする。
本稿では,付加的なモーダルからの補助情報を用いてアクティブサンプリングを強化するマルチモーダル変分適応型アクティブラーニング(M-VAAL)手法を提案する。
論文 参考訳（メタデータ） (2023-06-21T16:40:37Z) - 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) - Active Learning Based Domain Adaptation for Tissue Segmentation of
Histopathological Images [1.4724454726700604]
対象ドメインからラベル付きデータの小さなセットを使用して,次にラベル付けする最も情報性の高いサンプルを選択する,事前学習されたディープニューラルネットワークを提案する。
従来のF1スコアを用いた教師あり学習手法と比較して,本手法はラベル付きサンプルよりもはるかに少ない性能を示す。
論文 参考訳（メタデータ） (2023-03-09T13:03:01Z) - Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。
本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2022-12-20T19:29:37Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Self-supervised Assisted Active Learning for Skin Lesion Segmentation [18.78959113954792]
ラベルの不足は、高いアノテーションコストと専門的な要件のために、バイオメディカルなイメージセグメンテーションの長年の問題であった。
そこで本研究では,まず,自己教師型学習でセグメンテーションモデルをウォームアップする,冷間開始環境における自己教師型アクティブラーニングフレームワークを提案する。
私たちのアプローチは、既存のベースラインよりも大幅に改善され、有望なパフォーマンスを達成することができます。
論文 参考訳（メタデータ） (2022-05-14T09:40:18Z) - Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for
Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。
我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文 参考訳（メタデータ） (2021-08-21T08:41:41Z) - Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。
実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文 参考訳（メタデータ） (2020-08-06T05:52:59Z) - 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。