論文の概要: Contrastive Learning for View Classification of Echocardiograms

• arxiv url: http://arxiv.org/abs/2108.03124v1
• Date: Fri, 6 Aug 2021 13:48:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:29:20.238492
• Title: Contrastive Learning for View Classification of Echocardiograms
• Title（参考訳）: 心エコー図の表示分類のためのコントラスト学習
• Authors: Agisilaos Chartsias, Shan Gao, Angela Mumith, Jorge Oliveira, Kanwal Bhatia, Bernhard Kainz, Arian Beqiri
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.60187022176608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Analysis of cardiac ultrasound images is commonly performed in routine clinical practice for quantification of cardiac function. Its increasing automation frequently employs deep learning networks that are trained to predict disease or detect image features. However, such models are extremely data-hungry and training requires labelling of many thousands of images by experienced clinicians. Here we propose the use of contrastive learning to mitigate the labelling bottleneck. We train view classification models for imbalanced cardiac ultrasound datasets and show improved performance for views/classes for which minimal labelled data is available. Compared to a naive baseline model, we achieve an improvement in F1 score of up to 26% in those views while maintaining state-of-the-art performance for the views with sufficiently many labelled training observations.
• Abstract（参考訳）: 心臓機能定量化のための定期的な臨床実践において、心臓超音波画像の解析が一般的である。 その自動化の増大は、病気の予測や画像特徴の検出を訓練されたディープラーニングネットワークを頻繁に採用している。 しかし、そのようなモデルは極めてデータ不足であり、経験豊富な臨床医による何千もの画像のラベル付けを必要とする。 本稿では,ラベリングボトルネックを軽減するためのコントラスト学習手法を提案する。 不均衡心エコーデータセットのビュー分類モデルを訓練し、最小のラベル付きデータが得られるビュー/クラスの性能向上を示す。 評価基準モデルと比較すると,各視点におけるF1スコアは最大26%向上し,十分にラベル付けされたトレーニング観察を施したビューに対する最先端性能を維持した。

関連論文リスト

• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• RadTex: Learning Efficient Radiograph Representations from Text Reports [7.090896766922791]
  我々は,放射線学報告を利用して,限られたラベル付きデータを用いた医用画像分類性能を向上させるための,データ効率のよい学習フレームワークを構築した。 本モデルは,ラベル付きトレーニングデータに制限がある場合,ImageNetによる事前学習よりも高い分類性能を実現する。
  論文  参考訳（メタデータ） (2022-08-05T15:06:26Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Encoding Cardiopulmonary Exercise Testing Time Series as Images for Classification using Convolutional Neural Network [9.227037203895533]
  エクササイズテストは半世紀以上にわたって利用可能であり、様々な疾患の患者の診断および予後情報のための汎用的なツールである。 本研究では,Glamian Angular Field と Markov Transition Field を用いて時系列を画像としてエンコードする。 心不全とメタボリックシンドロームの分類において,畳み込みニューラルネットワークとアテンションプールアプローチを用いて検討した。
  論文  参考訳（メタデータ） (2022-04-26T16:49:06Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• A New Semi-supervised Learning Benchmark for Classifying View and Diagnosing Aortic Stenosis from Echocardiograms [4.956777496509955]
  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。
  論文  参考訳（メタデータ） (2021-07-30T21:08:12Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Big Self-Supervised Models Advance Medical Image Classification [36.23989703428874]
  医療画像分類のための前訓練戦略としての自己監督学習の有効性を検討する。 本研究では,患者1例当たりの病理の複数の画像を用いたマルチインスタンスコントラスト学習(MICLe)法を提案する。 大規模な自己教師型モデルでは分布シフトに頑健であり,少数のラベル付き医療画像を用いて効率よく学習できることを示す。
  論文  参考訳（メタデータ） (2021-01-13T17:36:31Z)
• Improving Medical Annotation Quality to Decrease Labeling Burden Using Stratified Noisy Cross-Validation [3.690031561736533]
  医用画像の診断における多様性は十分に確立されており、トレーニングにおける多様性と医療ラベルの課題への注意がこの問題を悪化させる可能性がある。 Noisy Cross-Validationはトレーニングデータを半分に分割し、コンピュータビジョンタスクの低品質ラベルを特定する。 本稿では, SNCV (Stratified Noisy Cross-Validation) について紹介する。
  論文  参考訳（メタデータ） (2020-09-22T23:32:59Z)
• 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)
• 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)

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。