Fugu-MT 論文翻訳(概要): Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations

論文の概要: Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations

arxiv url: http://arxiv.org/abs/2104.12218v1
Date: Sun, 25 Apr 2021 17:43:58 GMT
ステータス: 処理完了
システム内更新日: 2021-04-28 05:24:46.981642
Title: Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations
Title（参考訳）: より高速なR-CNNによる乳房腫瘤の検出:雑音による学習の可能性について
Authors: Sina Famouri, Lia Morra, Leonardo Mangia, Fabrizio Lamberti
Abstract要約: 医療領域における物体検出ネットワークのトレーニングにおけるノイズの影響について検討する。地上の真理とネットワーク境界ボックスの提案との間の不完全なマッチングにより、トレーニング中にノイズが伝播する方法を示します。ノイズに対する耐性を向上させるために,新しいマッチング基準を提案する。
参考スコア（独自算出の注目度）: 6.262658726461965
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we study the impact of noise on the training of object detection networks for the medical domain, and how it can be mitigated by improving the training procedure. Annotating large medical datasets for training data-hungry deep learning models is expensive and time consuming. Leveraging information that is already collected in clinical practice, in the form of text reports, bookmarks or lesion measurements would substantially reduce this cost. Obtaining precise lesion bounding boxes through automatic mining procedures, however, is difficult. We provide here a quantitative evaluation of the effect of bounding box coordinate noise on the performance of Faster R-CNN object detection networks for breast mass detection. Varying degrees of noise are simulated by randomly modifying the bounding boxes: in our experiments, bounding boxes could be enlarged up to six times the original size. The noise is injected in the CBIS-DDSM collection, a well curated public mammography dataset for which accurate lesion location is available. We show how, due to an imperfect matching between the ground truth and the network bounding box proposals, the noise is propagated during training and reduces the ability of the network to correctly classify lesions from background. When using the standard Intersection over Union criterion, the area under the FROC curve decreases by up to 9%. A novel matching criterion is proposed to improve tolerance to noise.
Abstract（参考訳）: 本研究では,医療領域における物体検出ネットワークのトレーニングにおけるノイズの影響について検討し,トレーニング手順の改善によりその軽減を図る。データ格納型ディープラーニングモデルのトレーニングのための大規模な医療データセットのアノテートは高価で時間がかかります。臨床で既に収集されている情報を利用して、テキストレポート、ブックマーク、または病変の測定によって、このコストを大幅に削減する。しかし, 自動採鉱法により, 箱を正確に拘束することは困難である。本稿では,乳房腫瘤検出のための高速R-CNNオブジェクト検出ネットワークの性能に及ぼす境界ボックス座標ノイズの影響を定量的に評価する。我々の実験では、境界ボックスは元のサイズの6倍まで拡大することができる。ノイズはcbis-ddsmコレクションに注入され、正確な病変位置が確認できる、よく研究された公開マンモグラフィデータセットである。基礎的真理とネットワーク境界箱の提案との一致が不完全であることから, 訓練中に雑音が伝播し, 病変を背景から正しく分類するネットワークの能力が低下することを示す。標準のユニオン基準のインターセクションを使用する場合、FROC曲線の下の領域は9%まで減少する。ノイズに対する耐性を向上させるために,新しいマッチング基準を提案する。

関連論文リスト

Disentangled Noisy Correspondence Learning [56.06801962154915]
クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
論文参考訳（メタデータ） (2024-08-10T09:49:55Z)
FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time [5.408260756721024]
心室は、心臓内の乱流によって生じる異常な音である。本研究は,従来型および深部畳み込み型ネットワークを用いた,エンドツーエンドの心臓外傷検出手法を開発することを目的とする。
論文参考訳（メタデータ） (2024-05-10T03:12:17Z)
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文参考訳（メタデータ） (2023-07-19T15:19:02Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Constrained self-supervised method with temporal ensembling for fiber bundle detection on anatomic tracing data [0.08329098197319453]
本研究では,マカク脳のトレーサ部における繊維束の正確なセグメンテーションのための自己教師付き損失関数を用いた深層学習法を提案する。異なるマカクの未確認区間における本手法の評価は, 真正率0.90の有望な結果をもたらす。
論文参考訳（メタデータ） (2022-08-06T19:17:02Z)
Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。胸部CT像の分布変化とMRIの2つの応用について検討した。
論文参考訳（メタデータ） (2022-08-05T15:05:23Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
論文参考訳（メタデータ） (2021-11-09T00:11:01Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)
No Surprises: Training Robust Lung Nodule Detection for Low-Dose CT Scans by Augmenting with Adversarial Attacks [18.369871933983706]
コンピュータビジョン技術を用いて結節を検出することで、肺がん検診のための胸部CTの感度と速度を向上させることができる。多くの研究は、結節候補を検出するためにCNNを使用している。また、CNNはトレーニングセットで表現されていないサンプルを一般化し、知覚不能なノイズの摂動を生じやすいように制限されることも知られている。
論文参考訳（メタデータ） (2020-03-08T18:32:46Z)

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。