論文の概要: Task Fingerprinting for Meta Learning in Biomedical Image Analysis

• arxiv url: http://arxiv.org/abs/2107.03949v1
• Date: Thu, 8 Jul 2021 16:20:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 13:32:56.303673
• Title: Task Fingerprinting for Meta Learning in Biomedical Image Analysis
• Title（参考訳）: 生体画像解析におけるメタラーニングのためのタスクフィンガープリント
• Authors: Patrick Godau and Lena Maier-Hein
• Abstract要約: 注釈付きデータの短縮は、生体画像解析における最大のボトルネックの1つである。 本稿では,タスクの類似性を,タスクフィンガープリントと呼ばれる概念で定量化する問題に対処する。 この概念は、画像データと対応するラベルで表される与えられたタスクを固定長ベクトル表現に変換することである。
• 参考スコア（独自算出の注目度）: 0.6685643907416715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shortage of annotated data is one of the greatest bottlenecks in biomedical image analysis. Meta learning studies how learning systems can increase in efficiency through experience and could thus evolve as an important concept to overcome data sparsity. However, the core capability of meta learning-based approaches is the identification of similar previous tasks given a new task - a challenge largely unexplored in the biomedical imaging domain. In this paper, we address the problem of quantifying task similarity with a concept that we refer to as task fingerprinting. The concept involves converting a given task, represented by imaging data and corresponding labels, to a fixed-length vector representation. In fingerprint space, different tasks can be directly compared irrespective of their data set sizes, types of labels or specific resolutions. An initial feasibility study in the field of surgical data science (SDS) with 26 classification tasks from various medical and non-medical domains suggests that task fingerprinting could be leveraged for both (1) selecting appropriate data sets for pretraining and (2) selecting appropriate architectures for a new task. Task fingerprinting could thus become an important tool for meta learning in SDS and other fields of biomedical image analysis.
• Abstract（参考訳）: 注釈付きデータの不足は、バイオメディカル画像解析における最大のボトルネックの1つである。 メタ学習は、学習システムが経験を通じて効率を向上し、データ空間を克服するための重要な概念として進化させる方法を研究する。 しかし、メタラーニングベースのアプローチの中核的な能力は、新しいタスクが与えられたのと同様の以前のタスクを識別することである。 本稿では,タスクの類似性を,タスクフィンガープリントと呼ばれる概念で定量化する問題に対処する。 この概念は、画像データと対応するラベルで表される与えられたタスクを固定長ベクトル表現に変換することを含む。 指紋空間では、データセットのサイズやラベルの種類、特定の解像度に関係なく、異なるタスクを直接比較することができる。 外科的データ科学(SDS)の分野では, 様々な医学領域, 非医学領域の26の分類タスクを併用して, (1) 事前トレーニングに適したデータセットの選択, (2) 新規タスクに適したアーキテクチャの選択にタスクフィンガープリントを活用できることが示唆された。 タスクフィンガープリントは、SDSや他の生体画像解析分野におけるメタラーニングの重要なツールとなる可能性がある。

関連論文リスト

• Self-Supervised Learning for Medical Image Data with Anatomy-Oriented Imaging Planes [28.57933404578436]
  医用画像データに対する2つの補完的前提課題を提案する。 1つ目は、画像平面間の相対的な向きを学習し、交差する線を後退させるように実装することである。 2つ目は、平行イメージングプレーンを利用して、スタック内の相対的なスライス位置を後退させる。
  論文  参考訳（メタデータ） (2024-03-25T07:34:06Z)
• YOLO-MED : Multi-Task Interaction Network for Biomedical Images [18.535117490442953]
  YOLO-Medは、オブジェクト検出とセマンティックセグメンテーションを同時に行うことができる効率的なエンドツーエンドマルチタスクネットワークである。 Kvasir-segデータセットとプライベートバイオメディカルイメージデータセットで評価すると,精度と速度のバランスが期待できる結果が得られた。
  論文  参考訳（メタデータ） (2024-03-01T03:20:42Z)
• VIS-MAE: An Efficient Self-supervised Learning Approach on Medical Image Segmentation and Classification [33.699424327366856]
  医用画像に特化して設計された新しいモデルウェイトであるVisualization and Masked AutoEncoder(VIS-MAE)について述べる。 VIS-MAEは、様々なモダリティから250万枚の未ラベル画像のデータセットで訓練されている。 その後、明示的なラベルを使って分類とセグメンテーションのタスクに適応する。
  論文  参考訳（メタデータ） (2024-02-01T21:45:12Z)
• MulGT: Multi-task Graph-Transformer with Task-aware Knowledge Injection and Domain Knowledge-driven Pooling for Whole Slide Image Analysis [17.098951643252345]
  深層学習領域における自動診断を支援するためにWSI(Whole Slide Image)が広く用いられている。 特殊設計したグラフ変換器によるWSI解析のための新しいマルチタスクフレームワーク(MulGT)を提案する。
  論文  参考訳（メタデータ） (2023-02-21T10:00:58Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• Leveraging Human Selective Attention for Medical Image Analysis with Limited Training Data [72.1187887376849]
  選択的な注意機構は、注意散らしの存在を無視することで、認知システムがタスク関連視覚的手がかりに焦点を合わせるのに役立つ。 本稿では,医療画像解析タスクにおいて,小さなトレーニングデータを用いたガベージを利用したフレームワークを提案する。 本手法は腫瘍の3次元分割と2次元胸部X線分類において優れた性能を示す。
  論文  参考訳（メタデータ） (2021-12-02T07:55:25Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
  統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。 提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
  論文  参考訳（メタデータ） (2020-06-19T16:52:16Z)

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。