論文の概要: Learning More for Free - A Multi Task Learning Approach for Improved
Pathology Classification in Capsule Endoscopy
- arxiv url: http://arxiv.org/abs/2106.16162v1
- Date: Wed, 30 Jun 2021 15:55:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 15:28:31.708960
- Title: Learning More for Free - A Multi Task Learning Approach for Improved
Pathology Classification in Capsule Endoscopy
- Title(参考訳): カプセル内視鏡における病理分類の改善のための多タスク学習手法
- Authors: Anuja Vats, Marius Pedersen, Ahmed Mohammed,{\O}istein Hovde
- Abstract要約: 無線カプセル内視鏡(WCE)のコンピュータ支援診断(CADx)の進歩は、データ不足によって妨げられている。
本研究では,WCE多中心型多病理分類問題を解くことによって,限られたデータから,より自由な学習方法を探求する。
- 参考スコア(独自算出の注目度): 2.787227235403402
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The progress in Computer Aided Diagnosis (CADx) of Wireless Capsule Endoscopy
(WCE) is thwarted by the lack of data. The inadequacy in richly representative
healthy and abnormal conditions results in isolated analyses of pathologies,
that can not handle realistic multi-pathology scenarios. In this work, we
explore how to learn more for free, from limited data through solving a WCE
multicentric, multi-pathology classification problem. Learning more implies to
learning more than full supervision would allow with the same data. This is
done by combining self supervision with full supervision, under multi task
learning. Additionally, we draw inspiration from the Human Visual System (HVS)
in designing self supervision tasks and investigate if seemingly ineffectual
signals within the data itself can be exploited to gain performance, if so,
which signals would be better than others. Further, we present our analysis of
the high level features as a stepping stone towards more robust multi-pathology
CADx in WCE.
- Abstract(参考訳): 無線カプセル内視鏡(WCE)のコンピュータ支援診断(CADx)の進歩は、データ不足によって妨げられている。
豊かな健康状態と異常状態の欠如は、現実的な多病理シナリオを扱えない病因の分離分析をもたらす。
本研究では,WCE多中心型多病理分類問題を解くことによって,限られたデータから,より自由な学習方法を探求する。
より多くを学ぶことは、同じデータで完全な監視以上のことを学ぶことを意味する。
これは、マルチタスク学習の下で、自己監督と完全な監督を組み合わせることで実現される。
さらに,人間の視覚システム(hvs)から着想を得て,自己監督タスクの設計や,データ自体内の一見無効果な信号が,その信号が他の信号よりも優れている場合のパフォーマンス向上に悪用されるかどうかの検証を行う。
さらに,WCE におけるより堅牢な多病理学CADx へのステップストーンとして,高次特徴の分析を行った。
関連論文リスト
- LESEN: Label-Efficient deep learning for Multi-parametric MRI-based
Visual Pathway Segmentation [5.726588626363204]
ラベル効率のよい自己認識型深層学習法(LESEN)を提案する。
LESENは教師なしと教師なしの損失を取り入れ、生徒と教師のモデルが相互に学習できるようにする。
ヒトコネクトームプロジェクト(HCP)のデータセットを用いた実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2024-01-03T10:22:13Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - CCLF: A Contrastive-Curiosity-Driven Learning Framework for
Sample-Efficient Reinforcement Learning [56.20123080771364]
我々は、強化学習のためのモデルに依存しないコントラスト駆動学習フレームワーク(CCLF)を開発した。
CCLFは、サンプルの重要性を完全に活用し、自己管理的な学習効率を向上させる。
このアプローチをDeepMind Control Suite、Atari、MiniGridベンチマークで評価する。
論文 参考訳(メタデータ) (2022-05-02T14:42:05Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳(メタデータ) (2022-03-14T17:44:53Z) - A Novel TSK Fuzzy System Incorporating Multi-view Collaborative Transfer
Learning for Personalized Epileptic EEG Detection [20.11589208667256]
マルチビュー協調移動学習を統合したTSKファジィシステムに基づくてんかん検出アルゴリズムを提案する。
提案手法はてんかん性脳波を効果的に検出する能力を有する。
論文 参考訳(メタデータ) (2021-11-11T12:15:55Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳(メタデータ) (2020-11-27T19:18:45Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Self-supervised Feature Learning via Exploiting Multi-modal Data for
Retinal Disease Diagnosis [28.428216831922228]
本稿では,網膜疾患診断のためのマルチモーダルデータを効果的に活用して,新しい自己教師型特徴学習法を提案する。
本研究の目的は,モダリティ不変特徴と患者類似特徴の両方を学習することである。
本手法を網膜疾患診断のための2つの公開ベンチマークデータセットで評価した。
論文 参考訳(メタデータ) (2020-07-21T19:49:45Z) - Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A
Comparative Study [43.26668942258135]
脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ
これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。
概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
論文 参考訳(メタデータ) (2020-04-07T11:12:07Z)
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。