Fugu-MT 論文翻訳(概要): Fully Automated Machine Learning Pipeline for Echocardiogram Segmentation

論文の概要: Fully Automated Machine Learning Pipeline for Echocardiogram Segmentation

arxiv url: http://arxiv.org/abs/2107.08440v1
Date: Sun, 18 Jul 2021 13:15:46 GMT
ステータス: 処理完了
システム内更新日: 2021-07-20 14:58:44.906875
Title: Fully Automated Machine Learning Pipeline for Echocardiogram Segmentation
Title（参考訳）: 心エコー分離のための完全自動機械学習パイプライン
Authors: Hang Duong Thi Thuy, Tuan Nguyen Minh, Phi Nguyen Van, Long Tran Quoc
Abstract要約: 本稿では、ラベル付け作業を容易にするためにアクティブラーニングに依存したパイプラインを導入し、ニューラルネットワークサーチのアイデアを用いて適切なディープラーニングモデルを自動的に設計する。実験結果から,本手法は元のトレーニングデータセットの5分の2の精度で同じIOU値を得ることができた。
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: Nowadays, cardiac diagnosis largely depends on left ventricular function assessment. With the help of the segmentation deep learning model, the assessment of the left ventricle becomes more accessible and accurate. However, deep learning technique still faces two main obstacles: the difficulty in acquiring sufficient training data and time-consuming in developing quality models. In the ordinary data acquisition process, the dataset was selected randomly from a large pool of unlabeled images for labeling, leading to massive labor time to annotate those images. Besides that, hand-designed model development is laborious and also costly. This paper introduces a pipeline that relies on Active Learning to ease the labeling work and utilizes Neural Architecture Search's idea to design the adequate deep learning model automatically. We called this Fully automated machine learning pipeline for echocardiogram segmentation. The experiment results show that our method obtained the same IOU accuracy with only two-fifths of the original training dataset, and the searched model got the same accuracy as the hand-designed model given the same training dataset.
Abstract（参考訳）: 現在、心臓診断は左室機能評価に大きく依存している。セグメンテーション深層学習モデルの助けを借りると、左室の評価はよりアクセスしやすく正確になる。しかし、ディープラーニング技術は依然として2つの大きな障害に直面している。十分なトレーニングデータを取得することの困難さと、品質モデルの開発に費やす時間だ。通常のデータ取得プロセスでは、ラベルのない画像の大きなプールからランダムにデータセットが選択され、それらの画像に注釈をつけるのに膨大な労力がかかる。それに加えて、手作りのモデル開発は精力的でコストもかかる。本稿では,ラベリング作業を容易にするために,アクティブな学習に依存するパイプラインを導入し,ニューラルネットワーク検索のアイデアを活用し,適切なディープラーニングモデルを自動的に設計する。私たちはこの完全自動機械学習パイプラインをエコー心電図セグメンテーションと呼んでいる。実験の結果,本手法はトレーニングデータセットの2/5の精度でiou精度が得られ,同じトレーニングデータセットが与えられた場合,手設計モデルと同等の精度が得られた。

関連論文リスト

EfficientTrain++: Generalized Curriculum Learning for Efficient Visual Backbone Training [79.96741042766524]
訓練カリキュラムをソフトセレクション機能として再構築する。自然画像の内容の露光は,データ拡張の強度によって容易に達成できることを示す。結果のメソッドであるEfficientTrain++は単純で汎用的だが驚くほど効果的である。
論文参考訳（メタデータ） (2024-05-14T17:00:43Z)
Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
論文参考訳（メタデータ） (2023-06-09T16:08:35Z)
Optimizing the Procedure of CT Segmentation Labeling [1.2891210250935146]
Computed Tomographyでは、機械学習は自動データ処理によく使用される。本稿では,アノテーションの手順とそのモデル性能への影響について考察する。モデルトレーニングのために収集された優れたデータセットの主な利点は、ラベルの品質、多様性、完全性である、と仮定する。
論文参考訳（メタデータ） (2023-03-24T15:52:42Z)
Application of the nnU-Net for automatic segmentation of lung lesion on CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文参考訳（メタデータ） (2022-09-24T15:04:23Z)
Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文参考訳（メタデータ） (2022-07-01T12:16:42Z)
Fully Automated Binary Pattern Extraction For Finger Vein Identification using Double Optimization Stages-Based Unsupervised Learning Approach [0.0]
機械学習に基づく教師なし、教師なし、ディープラーニングのアルゴリズムは、指静脈の検出と認識に大きな影響を与えている。ディープラーニングは、手作業による生成とラベル付けが必要な、多数のトレーニングデータセットを必要とする。本研究では,データセット作成をトレーニングするための完全に自動化された教師なし学習戦略を提案する。
論文参考訳（メタデータ） (2022-05-08T11:01:25Z)
Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-20T06:06:06Z)
Democratizing Artificial Intelligence in Healthcare: A Study of Model Development Across Two Institutions Incorporating Transfer Learning [8.043077408518826]
トランスファーラーニング(TL)は、非常に小さなローカルデータセットを使用して、ある機関から完全に訓練されたモデルを他の機関によって微調整することを可能にする。本稿では,基本的なユースケースを対象としたAIモデル開発におけるTLの課題,方法論,メリットについて述べる。
論文参考訳（メタデータ） (2020-09-25T21:12:50Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)
Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文参考訳（メタデータ） (2020-04-12T23:42:51Z)
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。