論文の概要: Deep Curriculum Learning in Task Space for Multi-Class Based Mammography Diagnosis

• arxiv url: http://arxiv.org/abs/2110.11320v1
• Date: Thu, 21 Oct 2021 17:52:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 17:05:45.655069
• Title: Deep Curriculum Learning in Task Space for Multi-Class Based Mammography Diagnosis
• Title（参考訳）: マルチクラスマンモグラフィ診断のためのタスク空間における深層カリキュラム学習
• Authors: Jun Luo, Dooman Arefan, Margarita Zuley, Jules Sumkin, Shandong Wu
• Abstract要約: フルフィールドデジタルマンモグラフィー(FFDM)の3つのカテゴリを分類するタスク空間におけるエンドツーエンドのカリキュラム学習(CL)戦略を提案する。 具体的には、この3クラス分類をCLの観点から「ハード」タスクとして扱い、否定と悪性の複合グループに対して偽リコールを分類する「より簡単な」サブタスクを作成する。
• 参考スコア（独自算出の注目度）: 4.5617336730758735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mammography is used as a standard screening procedure for the potential patients of breast cancer. Over the past decade, it has been shown that deep learning techniques have succeeded in reaching near-human performance in a number of tasks, and its application in mammography is one of the topics that medical researchers most concentrate on. In this work, we propose an end-to-end Curriculum Learning (CL) strategy in task space for classifying the three categories of Full-Field Digital Mammography (FFDM), namely Malignant, Negative, and False recall. Specifically, our method treats this three-class classification as a "harder" task in terms of CL, and create an "easier" sub-task of classifying False recall against the combined group of Negative and Malignant. We introduce a loss scheduler to dynamically weight the contribution of the losses from the two tasks throughout the entire training process. We conduct experiments on an FFDM datasets of 1,709 images using 5-fold cross validation. The results show that our curriculum learning strategy can boost the performance for classifying the three categories of FFDM compared to the baseline strategies for model training.
• Abstract（参考訳）: マンモグラフィーは乳癌患者に対する標準的なスクリーニング方法として用いられる。 過去10年間で、深層学習技術は多くのタスクで人間に近いパフォーマンスに達することに成功し、そのマンモグラフィへの応用は、医学研究者が最も注力しているトピックの1つとなっている。 本研究では,全フィールドデジタルマンモグラフィ(ffdm)の3つのカテゴリ(悪性,陰性,偽リコール)を分類するためのタスク空間におけるエンドツーエンドカリキュラム学習(cl)戦略を提案する。 具体的には,この3つの分類をclの観点から「より難しい」タスクとして扱い,負と悪性の複合群に対して偽リコールを分類する「より簡単な」サブタスクを作成する。 本稿では,2つのタスクからの損失の貢献度をトレーニングプロセス全体を通して動的に重み付けするロススケジューラを提案する。 5倍のクロスバリデーションを用いて,1,709画像のffdmデータセットについて実験を行った。 その結果,我々のカリキュラム学習戦略は,モデル学習のベースライン戦略と比較して,ffdmの3つのカテゴリを分類する性能を高めることができることがわかった。

関連論文リスト

• Boosting Few-Shot Learning with Disentangled Self-Supervised Learning and Meta-Learning for Medical Image Classification [8.975676404678374]
  低データ体制下で訓練されたモデルの性能と一般化能力を改善するための戦略を提案する。 提案手法は、自己教師付き学習環境において学習した特徴をアンタングル化して、下流タスクの表現の堅牢性を向上する事前学習段階から開始する。 次に、メタファインニングのステップを導入し、メタトレーニングとメタテストフェーズの関連クラスを活用するが、レベルは変化する。
  論文  参考訳（メタデータ） (2024-03-26T09:36:20Z)
• 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)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、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） (2023-07-31T17:59:42Z)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• 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)
• Self-Supervised Learning for 3D Medical Image Analysis using 3D SimCLR and Monte Carlo Dropout [4.190672342471606]
  コントラスト型(SimCLR)法に基づく3次元自己監督手法を提案する。 推論フェーズにおいてベイズニューラルネットワークを用いることで、下流タスクの結果をさらに高めることができることを示す。
  論文  参考訳（メタデータ） (2021-09-29T09:15:41Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)

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。