論文の概要: A New Semi-supervised Learning Benchmark for Classifying View and
Diagnosing Aortic Stenosis from Echocardiograms
- arxiv url: http://arxiv.org/abs/2108.00080v1
- Date: Fri, 30 Jul 2021 21:08:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 06:15:57.851666
- Title: A New Semi-supervised Learning Benchmark for Classifying View and
Diagnosing Aortic Stenosis from Echocardiograms
- Title（参考訳）: 心エコー図による大動脈狭窄の分類と診断のための新しい半教師付き学習ベンチマーク
- Authors: Zhe Huang, Gary Long, Benjamin Wessler, Michael C. Hughes
- Abstract要約: 心エコー(心電図)の解釈に関連する2つの課題に対する半教師付きアプローチを評価するためのベンチマークデータセットを開発した。
我々は,MixMatchと呼ばれる最先端の手法が,両タスクのホールドアウト精度において有望なゲインを達成できることを見出した。
我々は患者レベルの診断予測を追求し、多様なビュータイプの数百の画像に集約する必要がある。
- 参考スコア（独自算出の注目度）: 4.956777496509955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised image classification has shown substantial progress in
learning from limited labeled data, but recent advances remain largely untested
for clinical applications. Motivated by the urgent need to improve timely
diagnosis of life-threatening heart conditions, especially aortic stenosis, we
develop a benchmark dataset to assess semi-supervised approaches to two tasks
relevant to cardiac ultrasound (echocardiogram) interpretation: view
classification and disease severity classification. We find that a
state-of-the-art method called MixMatch achieves promising gains in heldout
accuracy on both tasks, learning from a large volume of truly unlabeled images
as well as a labeled set collected at great expense to achieve better
performance than is possible with the labeled set alone. We further pursue
patient-level diagnosis prediction, which requires aggregating across hundreds
of images of diverse view types, most of which are irrelevant, to make a
coherent prediction. The best patient-level performance is achieved by new
methods that prioritize diagnosis predictions from images that are predicted to
be clinically-relevant views and transfer knowledge from the view task to the
diagnosis task. We hope our released Tufts Medical Echocardiogram Dataset and
evaluation framework inspire further improvements in multi-task semi-supervised
learning for clinical applications.
- Abstract（参考訳）: 半教師付き画像分類はラベル付き限られたデータから学習のかなりの進歩を示しているが、近年の進歩は臨床応用には至っていない。
心臓疾患,特に大動脈狭窄のタイムリーな診断を改善するために,心エコー(心電図)の解釈に関連する2つの課題に対する半監督的アプローチを評価するためのベンチマークデータセットを開発した。
そこで,MixMatchと呼ばれる最先端の手法は,大量のラベル付き画像から学習し,ラベル付き画像のみよりも優れたパフォーマンスを実現するため,大量のラベル付き画像から学習することで,両タスクにおいて有望な精度向上を実現する。
さらに患者レベルの診断予測を追求し,その多くが無関係な多彩なビュータイプのイメージを数百枚集めて,一貫性のある予測を行う必要がある。
臨床関連ビューと予測される画像から診断予測を優先し、診断タスクから診断タスクへ知識を伝達する新たな手法により、患者レベルの最高のパフォーマンスが達成される。
われわれはTfts Medical Echocardiogram Dataset and Evaluation frameworkを発売し,臨床応用のためのマルチタスク半教師あり学習のさらなる改善を期待する。
関連論文リスト
- Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。
PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。
本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-05-07T13:11:08Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning [5.201499435914216]
大動脈狭窄症 (Aortic stenosis, AS) は変性弁の状態であり、かなりの死亡率と死亡率を引き起こす。
AS検出に対する従来のアプローチでは、画像間の非フレキシブル平均に依存するため、精度が不十分であった。
2つの重要な方法論的革新とともに、新しいエンドツーエンドのMILアプローチに貢献する。
論文 参考訳（メタデータ） (2023-05-25T18:22:12Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Contrastive Learning for View Classification of Echocardiograms [5.60187022176608]
不均衡な心エコーデータセットに対するビュー分類モデルを訓練し、最小ラベル付きデータが利用できるビュー/クラスの性能向上を示す。
また,本モデルと比較すると,F1スコアを最大26%向上させながら,十分にラベル付けされたトレーニング観察を行うことができた。
論文 参考訳（メタデータ） (2021-08-06T13:48:06Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。