論文の概要: Learning from Ambiguous Labels for Lung Nodule Malignancy Prediction
- arxiv url: http://arxiv.org/abs/2104.11436v1
- Date: Fri, 23 Apr 2021 07:01:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 12:58:50.365440
- Title: Learning from Ambiguous Labels for Lung Nodule Malignancy Prediction
- Title（参考訳）: 肺結節悪性度予測のための曖昧なラベルからの学習
- Authors: Zehui Liao, Yutong Xie, Shishuai Hu, Yong Xia
- Abstract要約: 肺結節悪性度予測のための信頼性と曖昧性の両方から,多視点のMV-DAR(divide-and-rule)モデルを提案する。
提案したMV-DARは3つのDARサブモデルを含み、3つの直視から肺結節を特徴づける。
肺悪性度予測におけるMV-DARモデルの有効性だけでなく,現在のノイズラベル学習モデルよりも優れていることが示唆された。
- 参考スコア（独自算出の注目度）: 20.16520398147676
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lung nodule malignancy prediction is an essential step in the early diagnosis
of lung cancer. Besides the difficulties commonly discussed, the challenges of
this task also come from the ambiguous labels provided by annotators, since
deep learning models may learn, even amplify, the bias embedded in them. In
this paper, we propose a multi-view "divide-and-rule" (MV-DAR) model to learn
from both reliable and ambiguous annotations for lung nodule malignancy
prediction. According to the consistency and reliability of their annotations,
we divide nodules into three sets: a consistent and reliable set (CR-Set), an
inconsistent set (IC-Set), and a low reliable set (LR-Set). The nodule in
IC-Set is annotated by multiple radiologists inconsistently, and the nodule in
LR-Set is annotated by only one radiologist. The proposed MV-DAR contains three
DAR submodels to characterize a lung nodule from three orthographic views. Each
DAR consists of a prediction network (Prd-Net), a counterfactual network
(CF-Net), and a low reliable network (LR-Net), learning on CR-Set, IC-Set, and
LR-Set, respectively. The image representation ability learned by CF-Net and
LR-Net is then transferred to Prd-Net by negative-attention module (NA-Module)
and consistent-attention module (CA-Module), aiming to boost the prediction
ability of Prd-Net. The MV-DAR model has been evaluated on the LIDC-IDRI
dataset and LUNGx dataset. Our results indicate not only the effectiveness of
the proposed MV-DAR model in learning from ambiguous labels but also its
superiority over present noisy label-learning models in lung nodule malignancy
prediction.
- Abstract（参考訳）: 肺癌の早期診断には肺結節悪性度予測が不可欠である。
一般的に議論される困難に加えて、このタスクの課題はアノテーションによって提供されるあいまいなラベルからも生じる。
本稿では,肺結節悪性度予測のための信頼性と曖昧性の両方から,多視点のMV-DAR(divide-and-rule)モデルを提案する。
アノテーションの一貫性と信頼性に基づき、節を3つの集合(CR-Set)、一貫性のない集合(IC-Set)、信頼性の低い集合(LR-Set)に分割する。
IC-Setの結節は複数の放射線科医によって無矛盾に注釈され、LR-Setの結節は1つのラジオ科医によって注釈される。
提案したMV-DARは3つのDARサブモデルを含み、3つの直視から肺結節を特徴づける。
各DARは予測ネットワーク(Prd-Net)、対物ネットワーク(CF-Net)、低信頼ネットワーク(LR-Net)で構成され、それぞれCR-Set、IC-Set、LR-Setを学習する。
CF-NetとLR-Netが学習した画像表現能力は、Prd-Netの予測能力を高めるために、負のアテンションモジュール(NA-Module)と一貫したアテンションモジュール(CA-Module)によってPrd-Netに転送される。
MV-DARモデルはLIDC-IDRIデータセットとLUNGxデータセットで評価されている。
以上の結果から,肺結節悪性度予測におけるMV-DARモデルの有効性だけでなく,現在のノイズラベル学習モデルよりも優れていることが示唆された。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - Can Rule-Based Insights Enhance LLMs for Radiology Report Classification? Introducing the RadPrompt Methodology [17.21669080865246]
RadPertは、不確実性を認識した情報スキーマを合理化されたルールセットに統合し、パフォーマンスを向上させるルールベースのシステムである。
RadPromptは、RadPertを活用して、大規模な言語モデルのゼロショット予測能力を活性化するマルチターンプロンプト戦略である。
MIMIC-CXRゴールドスタンダードテストセットとケンブリッジ大学病院から収集したゴールドスタンダードデータセットの2つのイングリッシュコーパスについて,本手法の評価を行った。
論文 参考訳（メタデータ） (2024-08-07T23:09:23Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Deep Omni-supervised Learning for Rib Fracture Detection from Chest
Radiology Images [41.62893318123283]
ディープラーニング(DL)に基づくリブ骨折検出は、死亡を予防し、患者の予後を改善する上で重要な役割を担っている。
DLベースのオブジェクト検出モデルは、大量のバウンディングボックスアノテーションを必要とします。
医用データの注釈付けは時間がかかり専門知識が要求されるため、大量の細かい注釈を得られることは極めて不可能である。
我々は,ORF-Netv2という新しいオブジェクト検出ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-23T05:36:03Z) - Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。
視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。
本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-16T07:23:55Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - Benchmarking the Robustness of LiDAR Semantic Segmentation Models [78.6597530416523]
本稿では,LiDARセマンティックセグメンテーションモデルのロバスト性を,様々な汚職の下で包括的に解析することを目的とする。
本稿では,悪天候,計測ノイズ,デバイス間不一致という3つのグループで16のドメイン外LiDAR破損を特徴とするSemanticKITTI-Cというベンチマークを提案する。
我々は、単純だが効果的な修正によってロバスト性を大幅に向上させるロバストLiDARセグメンテーションモデル(RLSeg)を設計する。
論文 参考訳（メタデータ） (2023-01-03T06:47:31Z) - CIRDataset: A large-scale Dataset for Clinically-Interpretable lung
nodule Radiomics and malignancy prediction [4.00916638804083]
肺結節の表面の鋭く曲がりくねったスパイクは、肺がんの悪性度を予測できる。
SOTA悪性度予測アルゴリズムにおけるこれらの臨床的に報告された特徴の重要性を調査するための公開データセットは今のところ存在しない。
CIRDatasetは,QA/QCによる画像解析/ロブレーションアノテーション956点を含む大規模臨床応用放射線学データセットである。
論文 参考訳（メタデータ） (2022-06-29T20:46:12Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。