論文の概要: Learning Inductive Attention Guidance for Partially Supervised
Pancreatic Ductal Adenocarcinoma Prediction
- arxiv url: http://arxiv.org/abs/2105.14773v1
- Date: Mon, 31 May 2021 08:16:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 17:09:49.633212
- Title: Learning Inductive Attention Guidance for Partially Supervised
Pancreatic Ductal Adenocarcinoma Prediction
- Title（参考訳）: 部分監督膵管腺癌予測のための学習誘導的注意誘導法
- Authors: Yan Wang, Peng Tang, Yuyin Zhou, Wei Shen, Elliot K. Fishman, and Alan
L. Yuille
- Abstract要約: 膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。
本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。
Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
- 参考スコア（独自算出の注目度）: 73.96902906734522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pancreatic ductal adenocarcinoma (PDAC) is the third most common cause of
cancer death in the United States. Predicting tumors like PDACs (including both
classification and segmentation) from medical images by deep learning is
becoming a growing trend, but usually a large number of annotated data are
required for training, which is very labor-intensive and time-consuming. In
this paper, we consider a partially supervised setting, where cheap image-level
annotations are provided for all the training data, and the costly per-voxel
annotations are only available for a subset of them. We propose an Inductive
Attention Guidance Network (IAG-Net) to jointly learn a global image-level
classifier for normal/PDAC classification and a local voxel-level classifier
for semi-supervised PDAC segmentation. We instantiate both the global and the
local classifiers by multiple instance learning (MIL), where the attention
guidance, indicating roughly where the PDAC regions are, is the key to bridging
them: For global MIL based normal/PDAC classification, attention serves as a
weight for each instance (voxel) during MIL pooling, which eliminates the
distraction from the background; For local MIL based semi-supervised PDAC
segmentation, the attention guidance is inductive, which not only provides
bag-level pseudo-labels to training data without per-voxel annotations for MIL
training, but also acts as a proxy of an instance-level classifier.
Experimental results show that our IAG-Net boosts PDAC segmentation accuracy by
more than 5% compared with the state-of-the-arts.
- Abstract（参考訳）: 膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。
深層学習による医学画像からのpdacs(分類とセグメント化の両方を含む)のような腫瘍の予測は増えつつあるが、通常、トレーニングには大量の注釈付きデータが必要である。
本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用できる,部分教師付き設定について考察する。
Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
We instantiate both the global and the local classifiers by multiple instance learning (MIL), where the attention guidance, indicating roughly where the PDAC regions are, is the key to bridging them: For global MIL based normal/PDAC classification, attention serves as a weight for each instance (voxel) during MIL pooling, which eliminates the distraction from the background; For local MIL based semi-supervised PDAC segmentation, the attention guidance is inductive, which not only provides bag-level pseudo-labels to training data without per-voxel annotations for MIL training, but also acts as a proxy of an instance-level classifier.
IAG-Netは,最先端技術と比較してPDACセグメンテーション精度を5%以上向上させることを示した。
関連論文リスト
- ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization [42.810247034149214]
医療データは、しばしば分散シフトを示し、標準パイプラインを使用してトレーニングされたディープラーニングモデルのテスト時のパフォーマンス劣化を引き起こす。
本研究は、分類タスクの文脈において、単一ドメインの一般化フレームワークを探索することの重要性と課題を強調した。
論文 参考訳（メタデータ） (2024-03-14T13:50:44Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-05-25T16:23:39Z) - Uncertainty Driven Bottleneck Attention U-net for Organ at Risk
Segmentation [20.865775626533434]
CT画像におけるオルガン・アット・リスク(OAR)セグメンテーションは,自動セグメンテーション法では難しい課題である。
本稿では,複数のデコーダU-netアーキテクチャを提案し,ネットワークのボトルネックに注目するために,デコーダ間のセグメンテーションの不一致を利用する。
正確なセグメンテーションのために,CT強度統合正規化損失も提案した。
論文 参考訳（メタデータ） (2023-03-19T23:45:32Z) - Prior Knowledge-Guided Attention in Self-Supervised Vision Transformers [79.60022233109397]
本研究では、未ラベル画像データセットにおける一貫した空間的・意味的構造を利用するフレームワークである空間的事前注意(SPAN)を提案する。
SPANは、アテンションマスクを別個のトランスフォーマーヘッドから正規化し、セマンティック領域の様々な先導に従う。
その結果,アテンションマスクは,ドメインに依存しない事前学習から得られるマスクよりも解釈可能であることが判明した。
論文 参考訳（メタデータ） (2022-09-07T02:30:36Z) - 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) - 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) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Unsupervised Adversarial Domain Adaptation For Barrett's Segmentation [0.8602553195689513]
自動セグメンテーションは臨床内科医がバレットの食道領域をより正確に評価し治療するのに役立つ。
教師付きモデルは、トレーニングデータにすべてのデータ変動を組み込んだ大量の手動アノテーションを必要とします。
本稿では,unsupervised domain adaptation technique (uda) を適用することで,この問題を軽減することを目的とする。
その結果, UDA ベースのアプローチは, 従来の U-Net セグメント化を Dice 類似度係数と交差オーバーユニオンの両方で 10% 近く上回ることが示された。
論文 参考訳（メタデータ） (2020-12-09T20:59:25Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - Localization of Critical Findings in Chest X-Ray without Local
Annotations Using Multi-Instance Learning [0.0]
ディープラーニングモデルは説明責任の欠如に苦しむことが多い。
ディープラーニングモデルは、ピクセルレベルラベルやバウンディングボックス座標のような、局所的なアノテートされたトレーニングデータを必要とする。
本研究では,マルチインスタンス学習に基づく解釈可能なDLアルゴリズムを用いて,これらの欠点に対処する。
論文 参考訳（メタデータ） (2020-01-23T21:29:14Z)
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。