論文の概要: Deep Subspace analysing for Semi-Supervised multi-label classification
of Diabetic Foot Ulcer
- arxiv url: http://arxiv.org/abs/2110.01795v1
- Date: Tue, 5 Oct 2021 03:00:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 14:18:38.804612
- Title: Deep Subspace analysing for Semi-Supervised multi-label classification
of Diabetic Foot Ulcer
- Title（参考訳）: 糖尿病性足部潰瘍の半教師付きマルチラベル分類のための深部サブスペース解析
- Authors: Azadeh Alavi
- Abstract要約: 糖尿病患者は、通常手足の切断につながる足の潰瘍を発症するリスクがある。
本研究では,半教師付き糖尿病性足底潰瘍の粘液ラベル分類のための新しい深部部分空間解析パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.45687771576879593
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diabetes is a global raising pandemic. Diabetes patients are at risk of
developing foot ulcer that usually leads to limb amputation. In order to
develop a self monitoring mobile application, in this work, we propose a novel
deep subspace analysis pipeline for semi-supervised diabetic foot ulcer
mulit-label classification. To avoid any chance of over-fitting, unlike recent
state of the art deep semi-supervised methods, the proposed pipeline dose not
include any data augmentation. Whereas, after extracting deep features, in
order to make the representation shift invariant, we employ variety of data
augmentation methods on each image and generate an image-sets, which is then
mapped into a linear subspace. Moreover, the proposed pipeline reduces the cost
of retraining when more new unlabelled data become available. Thus, the first
stage of the pipeline employs the concept of transfer learning for feature
extraction purpose through modifying and retraining a deep convolutional
network architect known as Xception. Then, the output of a mid-layer is
extracted to generate an image set representer of any given image with help of
data augmentation methods. At this stage, each image is transferred to a linear
subspace which is a point on a Grassmann Manifold topological space. Hence, to
perform analyse them, the geometry of such manifold must be considered. As
such, each labelled image is represented as a vector of distances to number of
unlabelled images using geodesic distance on Grassmann manifold. Finally,
Random Forest is trained for multi-label classification of diabetic foot ulcer
images. The method is then evaluated on the blind test set provided by DFU2021
competition, and the result considerable improvement compared to using
classical transfer learning with data augmentation.
- Abstract（参考訳）: 糖尿病は世界的なパンデミックです。
糖尿病患者は、通常手足の切断につながる足の潰瘍を発症するリスクがある。
本研究では, 自己監視型モバイルアプリケーションを開発するために, 半教師付き糖尿病性足部潰瘍粘膜分類のための深部領域解析パイプラインを提案する。
art deep semi-supervised methodの最近の状況とは異なり、過剰フィッティングの可能性を避けるため、提案されたパイプライン線量にはデータ拡張が含まれない。
一方、深部の特徴を抽出した後、表現シフトを不変にするため、各画像に様々なデータ拡張手法を採用し、画像集合を生成し、それを線形部分空間にマッピングする。
さらに,提案するパイプラインでは,新たにラベルなしのデータが利用可能になった場合に再トレーニングするコストが削減される。
したがって、パイプラインの第1段階では、xceptionとして知られる深い畳み込みネットワークアーキテクトの修正と再トレーニングを通じて、特徴抽出のための転送学習という概念を採用している。
そして、中間層の出力を抽出し、データ拡張方法の助けを借りて、任意の画像のイメージセット表現器を生成する。
この段階では、各像はグラスマン多様体位相空間上の点である線型部分空間に移される。
したがって、それらの解析を行うには、そのような多様体の幾何学を考える必要がある。
このように、各ラベル付き画像は、グラスマン多様体上の測地線距離を用いて、非ラベル付き画像の数に対する距離のベクトルとして表現される。
最後に,糖尿病性足部潰瘍の画像のマルチラベル分類のためにランダムフォレストを訓練する。
次に、DFU2021コンペティションによって提供されるブラインドテストセットに基づいて評価を行い、データ拡張による古典的トランスファー学習と比較して大幅に改善した。
関連論文リスト
- PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - GAN Inversion for Data Augmentation to Improve Colonoscopy Lesion
Classification [3.0100246737240877]
本研究では,GANインバージョンによって生成された合成大腸内視鏡像をトレーニングデータとして利用することにより,ディープラーニングモデルの病変分類性能を向上させることができることを示す。
このアプローチは、同じラベルを持つ一対のイメージを意味的にリッチで不整合な潜在空間に逆転させ、潜在表現を操作して、同じラベルを持つ新しい合成画像を生成する。
また,トレーニングデータセットにおける病変形状の多様性を高めるために,元のトレーニング画像間の補間により,現実的な合成病変画像を生成する。
論文 参考訳（メタデータ） (2022-05-04T23:15:45Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳（メタデータ） (2021-10-05T15:28:42Z) - Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye
Fundus Images [20.480034690570196]
本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。
正規化要因として機能する余分な用語で標準分類損失を拡大する。
DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
論文 参考訳（メタデータ） (2020-10-01T10:42:06Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
本研究では,セマンティックデータ拡張法 (SDA) を提案する。
また,適応的セマンティックデータ拡張 (ASDA) を提案する。
最先端の結果は、挑戦的なベンチマークで得られます。
論文 参考訳（メタデータ） (2020-08-03T07:56:04Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Progressive Adversarial Semantic Segmentation [11.323677925193438]
深い畳み込みニューラルネットワークは、完全な監視が与えられた場合、非常によく機能する。
画像解析タスクのための完全教師付きモデルの成功は、大量のラベル付きデータの入手に限られる。
本稿では,新しい医用画像分割モデル,Progressive Adrial Semantic(PASS)を提案する。
論文 参考訳（メタデータ） (2020-05-08T22:48:00Z)
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。