論文の概要: A Data-Adaptive Loss Function for Incomplete Data and Incremental
Learning in Semantic Image Segmentation
- arxiv url: http://arxiv.org/abs/2104.11020v1
- Date: Thu, 22 Apr 2021 12:46:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 18:48:37.705655
- Title: A Data-Adaptive Loss Function for Incomplete Data and Incremental
Learning in Semantic Image Segmentation
- Title(参考訳): 意味画像分割における不完全データとインクリメンタル学習のためのデータ適応損失関数
- Authors: Minh H. Vu and Gabriella Norman and Tufve Nyholm and Tommy L\"ofstedt
- Abstract要約: 深層畳み込みニューラルネットワークのトレーニングには、しばしば大量の画像データが必要となる。
決定支援システムがすでにデプロイされ、使用されている場合に、新しい構造を追加すると潜在的な問題が発生する。
アノテーションが欠落した場合でも、利用可能なすべてのデータを利用するために利用可能なデータに適応する新しい損失関数を提案する。
- 参考スコア(独自算出の注目度): 2.294014185517203
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the last years, deep learning has dramatically improved the performances
in a variety of medical image analysis applications. Among different types of
deep learning models, convolutional neural networks have been among the most
successful and they have been used in many applications in medical imaging.
Training deep convolutional neural networks often requires large amounts of
image data to generalize well to new unseen images. It is often time-consuming
and expensive to collect large amounts of data in the medical image domain due
to expensive imaging systems, and the need for experts to manually make ground
truth annotations. A potential problem arises if new structures are added when
a decision support system is already deployed and in use. Since the field of
radiation therapy is constantly developing, the new structures would also have
to be covered by the decision support system.
In the present work, we propose a novel loss function, that adapts to the
available data in order to utilize all available data, even when some have
missing annotations. We demonstrate that the proposed loss function also works
well in an incremental learning setting, where it can automatically incorporate
new structures as they appear. Experiments on a large in-house data set show
that the proposed method performs on par with baseline models, while greatly
reducing the training time.
- Abstract(参考訳): 近年,深層学習は様々な医用画像解析アプリケーションの性能を劇的に向上させてきた。
様々なタイプのディープラーニングモデルの中で、畳み込みニューラルネットワークが最も成功しており、医療画像の多くの応用に使われている。
深層畳み込みニューラルネットワークのトレーニングには、しばしば大量の画像データが必要となる。
高価なイメージングシステムや、専門家が手動で真実の注釈を作成する必要があるため、医療画像領域で大量のデータを集めるのに時間と費用がかかることが多い。
決定支援システムがすでにデプロイされ、使用されている場合に、新しい構造を追加すると潜在的な問題が発生する。
放射線治療の分野は絶えず発展しており、新しい構造も意思決定支援システムによってカバーされる必要がある。
本研究では,アノテーションが欠落している場合でも,利用可能なデータに適応して利用可能なすべてのデータを利用する新しい損失関数を提案する。
提案する損失関数はインクリメンタルな学習環境でもうまく機能し,新しい構造が現れると自動的に組み込まれることを実証する。
大規模な社内データセット実験により,提案手法はベースラインモデルと同等に動作し,トレーニング時間を大幅に短縮することを示した。
関連論文リスト
- Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images [0.0]
医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
論文 参考訳(メタデータ) (2023-11-13T13:20:54Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - RadTex: Learning Efficient Radiograph Representations from Text Reports [7.090896766922791]
我々は,放射線学報告を利用して,限られたラベル付きデータを用いた医用画像分類性能を向上させるための,データ効率のよい学習フレームワークを構築した。
本モデルは,ラベル付きトレーニングデータに制限がある場合,ImageNetによる事前学習よりも高い分類性能を実現する。
論文 参考訳(メタデータ) (2022-08-05T15:06:26Z) - Transfer Learning with Deep Tabular Models [66.67017691983182]
上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。
そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。
上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
論文 参考訳(メタデータ) (2022-06-30T14:24:32Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳(メタデータ) (2022-02-21T10:34:41Z) - Data augmentation for deep learning based accelerated MRI reconstruction
with limited data [46.44703053411933]
ディープニューラルネットワークは、画像復元と再構成タスクの非常に成功したツールとして登場した。
最先端のパフォーマンスを達成するためには、大規模で多様な画像集合の訓練が重要であると考えられる。
本稿では,MRI画像再構成の高速化のためのデータ拡張のためのパイプラインを提案し,必要なトレーニングデータを削減する上での有効性について検討する。
論文 参考訳(メタデータ) (2021-06-28T19:08:46Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Semi-supervised few-shot learning for medical image segmentation [21.349705243254423]
大規模な注釈付きデータセットの必要性を緩和する最近の試みは、数ショットの学習パラダイムの下でトレーニング戦略を開発した。
セマンティックセグメンテーションのための新しい数発の学習フレームワークを提案し,各エピソードでラベルのない画像も利用できるようにした。
エピソードトレーニングにおけるラベルなしのサロゲートタスクを含めると、より強力な特徴表現がもたらされることを示す。
論文 参考訳(メタデータ) (2020-03-18T20:37:18Z)
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。