Fugu-MT 論文翻訳(概要): Noisy Student learning for cross-institution brain hemorrhage detection

論文の概要: Noisy Student learning for cross-institution brain hemorrhage detection

arxiv url: http://arxiv.org/abs/2105.00582v1
Date: Mon, 3 May 2021 00:14:43 GMT
ステータス: 処理完了
システム内更新日: 2021-05-04 23:07:22.825395
Title: Noisy Student learning for cross-institution brain hemorrhage detection
Title（参考訳）: クロスインスティテュート脳出血検出のための雑音学習
Authors: Emily Lin, Weicheng Kuo, Esther Yuh
Abstract要約: 我々はPatchFCNとNoisy Studentsのアプローチを併用し,半教師あり学習を頭蓋内出血セグメンテーションタスクに拡張した。私たちの知る限りでは、我々は頭のCT検出とセグメンテーションタスクにおける半教師付き学習の有効性を初めて実証しました。
参考スコア（独自算出の注目度）: 4.38301148531795
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computed tomography (CT) is the imaging modality used in the diagnosis of neurological emergencies, including acute stroke and traumatic brain injury. Advances in deep learning have led to models that can detect and segment hemorrhage on head CT. PatchFCN, one such supervised fully convolutional network (FCN), recently demonstrated expert-level detection of intracranial hemorrhage on in-sample data. However, its potential for similar accuracy outside the training domain is hindered by its need for pixel-labeled data from outside institutions. Also recently, a semi-supervised technique, Noisy Student (NS) learning, demonstrated state-of-the-art performance on ImageNet by moving from a fully-supervised to a semi-supervised learning paradigm. We combine the PatchFCN and Noisy Student approaches, extending semi-supervised learning to an intracranial hemorrhage segmentation task. Surprisingly, the NS model performance surpasses that of a fully-supervised oracle model trained with image-level labels on the same data. It also performs comparably to another recently reported supervised model trained on a labeled dataset 600x larger than that used to train the NS model. To our knowledge, we are the first to demonstrate the effectiveness of semi-supervised learning on a head CT detection and segmentation task.
Abstract（参考訳）: CT(Computed tomography)は、急性脳卒中や外傷性脳損傷などの神経疾患の診断に用いられる画像モダリティである。深層学習の進歩は、頭部CTで出血を検出・分節するモデルにつながった。そのような教師付き完全畳み込みネットワーク(FCN)の1つであるPatchFCNは、最近、脳内出血をサンプルデータで専門家レベルで検出した。しかし、トレーニング領域外の類似した精度のポテンシャルは、外部機関からのピクセルラベルデータの必要性によって妨げられている。また、最近では、セミ教師付き技術であるノイズ学習(NS)が、フル教師付き学習パラダイムからセミ教師付き学習パラダイムに移行することで、ImageNet上で最先端のパフォーマンスを実証している。我々はPatchFCNとNoisy Studentsのアプローチを併用し,半教師あり学習を頭蓋内出血セグメンテーションタスクに拡張した。驚いたことに、nsモデルのパフォーマンスは、同じデータ上のイメージレベルラベルでトレーニングされた完全に教師付きoracleモデルを上回る。ラベル付きデータセットでトレーニングされた別の教師付きモデルとの比較も可能で、nsモデルのトレーニングに使用されたものより600倍大きい。本研究は,頭部ct検出・分節化タスクにおける半教師あり学習の有効性を初めて実証した。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文参考訳（メタデータ） (2024-05-12T20:02:25Z)
Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文参考訳（メタデータ） (2024-02-08T16:54:20Z)
Comparison of retinal regions-of-interest imaged by OCT for the classification of intermediate AMD [3.0171643773711208]
269名の中間AMD患者と115名の健常者から15744名のBスキャンを行った。各サブセットについて、畳み込みニューラルネットワーク(VGG16アーキテクチャに基づいて、ImageNetで事前トレーニングされた)をトレーニングし、テストした。モデルの性能は, 受信動作特性(AUROC), 精度, 感度, 特異性に基づいて評価した。
論文参考訳（メタデータ） (2023-05-04T13:48:55Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Deep learning-based detection of intravenous contrast in computed tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文参考訳（メタデータ） (2021-10-16T00:46:45Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
Automatic classification of multiple catheters in neonatal radiographs with deep learning [2.256008196530956]
新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
論文参考訳（メタデータ） (2020-11-14T21:27:21Z)
Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。