論文の概要: Deep reinforcement learning with automated label extraction from
clinical reports accurately classifies 3D MRI brain volumes
- arxiv url: http://arxiv.org/abs/2106.09812v1
- Date: Thu, 17 Jun 2021 20:53:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 14:23:28.045955
- Title: Deep reinforcement learning with automated label extraction from
clinical reports accurately classifies 3D MRI brain volumes
- Title（参考訳）: 臨床報告からのラベル自動抽出による深部強化学習による3次元mri脳容積の高精度分類
- Authors: Joseph Stember, Hrithwik Shalu
- Abstract要約: 画像分類の高速化に向けた重要なステップが2つある。
SBERT自然言語処理手法を用いて,レポートからラベルを自動的に抽出する。
パート2では、これらのラベルをRLで使用して、3D画像ボリュームの分類であるDeep-Q Network(DQN)をトレーニングする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: Image classification is perhaps the most fundamental task in imaging
AI. However, labeling images is time-consuming and tedious. We have recently
demonstrated that reinforcement learning (RL) can classify 2D slices of MRI
brain images with high accuracy. Here we make two important steps toward
speeding image classification: Firstly, we automatically extract class labels
from the clinical reports. Secondly, we extend our prior 2D classification work
to fully 3D image volumes from our institution. Hence, we proceed as follows:
in Part 1, we extract labels from reports automatically using the SBERT natural
language processing approach. Then, in Part 2, we use these labels with RL to
train a classification Deep-Q Network (DQN) for 3D image volumes.
Methods: For Part 1, we trained SBERT with 90 radiology report impressions.
We then used the trained SBERT to predict class labels for use in Part 2. In
Part 2, we applied multi-step image classification to allow for combined Deep-Q
learning using 3D convolutions and TD(0) Q learning. We trained on a set of 90
images. We tested on a separate set of 61 images, again using the classes
predicted from patient reports by the trained SBERT in Part 1. For comparison,
we also trained and tested a supervised deep learning classification network on
the same set of training and testing images using the same labels.
Results: Part 1: Upon training with the corpus of radiology reports, the
SBERT model had 100% accuracy for both normal and metastasis-containing scans.
Part 2: Then, using these labels, whereas the supervised approach quickly
overfit the training data and as expected performed poorly on the testing set
(66% accuracy, just over random guessing), the reinforcement learning approach
achieved an accuracy of 92%. The results were found to be statistically
significant, with a p-value of 3.1 x 10^-5.
- Abstract（参考訳）: 目的: 画像分類は、おそらく画像aiの最も基本的なタスクである。
しかし、画像のラベル付けは時間がかかり、面倒である。
我々は最近, 強化学習(RL)がMRI脳画像の2次元スライスを高精度に分類できることを実証した。
まず,臨床報告から分類ラベルを自動的に抽出する。
第2に,これまでの2D分類作業を,施設からの全3D画像ボリュームに拡張する。
そこで,本稿では,SBERT自然言語処理手法を用いて,レポートからラベルを自動的に抽出する。
そして、パート2では、これらのラベルをRLと組み合わせて、DQN(Deep-Q Network)を3次元画像ボリュームに分類する。
方法: 第1部ではSBERTを90例の放射線学的徴候で訓練した。
次に、トレーニングされたSBERTを使用して、パート2で使用するクラスラベルを予測しました。
第2部では,3次元畳み込みとTD(0)Q学習を組み合わせた深部Q学習を実現するために,多段階画像分類を適用した。
90枚の画像を訓練しました
第1部で訓練されたSBERTによる患者報告から予測されたクラスを用いて,61枚の画像の別セットを検証した。
比較のために、同じラベルを使ったイメージのトレーニングとテストのセットで、教師付きディープラーニング分類ネットワークをトレーニングし、テストしました。
結果: 第1報:SBERTモデルでは, 放射線診断のコーパスを用いて, 正常検診と転移検診の両方で100%の精度が得られた。
パート2: これらのラベルを用いた場合, 教師ありアプローチはトレーニングデータに迅速に適合し, 予想通り, テストセット上では成績が良く(66%, ランダムな推測だけで) , 強化学習アプローチは92%の精度を達成した。
結果は統計的に有意であり、p値は3.1 x 10^-5である。
関連論文リスト
- Semi-Supervised Segmentation via Embedding Matching [0.8896991256227597]
深層畳み込みニューラルネットワークは医用画像セグメンテーションで広く使われているが、訓練には多くのラベル付き画像を必要とする。
本稿では,ほとんどラベルのない画像とラベル付き画像の小さなセットをトレーニングで活用する,新しい半教師付きセグメンテーション手法を提案する。
提案手法はハースドルフの95番目のパーセンタイル (HD95) と0.929のイオウ (IoU) で、HD95 (4.07) とイオウ (0.927) を最短で上回った。
論文 参考訳（メタデータ） (2024-07-05T16:49:21Z) - An Empirical Study of Pseudo-Labeling for Image-based 3D Object
Detection [72.30883544352918]
異なる条件下で,擬似ラベルがベースラインモデルに対して効果的に監視できるかどうかを検討する。
ベルとホイッスルを使わずにKITTI-3Dテストセットの適度なレベルを20.23 APで達成し、ベースラインモデルを6.03 APで改善した。
この研究が、半教師付き環境下で画像に基づく3D検出コミュニティに洞察を与えてくれることを願っている。
論文 参考訳（メタデータ） (2022-08-15T12:17:46Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Masked Unsupervised Self-training for Zero-shot Image Classification [98.23094305347709]
Masked Unsupervised Self-Training (MUST)は、疑似ラベルと生画像という2つの異なる、補完的な監督源を活用する新しいアプローチである。
MUSTはCLIPを大きなマージンで改善し、教師なしと教師なしの分類のパフォーマンスギャップを狭める。
論文 参考訳（メタデータ） (2022-06-07T02:03:06Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - 3SD: Self-Supervised Saliency Detection With No Labels [19.260185488168982]
本稿では,概念的にシンプルな塩分濃度検出手法を提案する。
本手法では, 擬似地下真実ラベルを学習に用いた。
論文 参考訳（メタデータ） (2022-03-09T01:40:28Z) - Weakly-supervised Generative Adversarial Networks for medical image
classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。
WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。
ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文 参考訳（メタデータ） (2021-11-29T15:38:48Z) - Deep reinforcement learning-based image classification achieves perfect
testing set accuracy for MRI brain tumors with a training set of only 30
images [0.0]
画像分類のための強化学習を導入する。
特に腫瘍を含む2次元MRI画像に対するアプローチについて検討した。
論文 参考訳（メタデータ） (2021-02-04T21:31:22Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。