論文の概要: Generalized Multi-Task Learning from Substantially Unlabeled
Multi-Source Medical Image Data
- arxiv url: http://arxiv.org/abs/2110.13185v1
- Date: Mon, 25 Oct 2021 18:09:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-28 11:24:07.271889
- Title: Generalized Multi-Task Learning from Substantially Unlabeled
Multi-Source Medical Image Data
- Title(参考訳): マルチソース医療画像データを用いた汎用マルチタスク学習
- Authors: Ayaan Haque, Abdullah-Al-Zubaer Imran, Adam Wang, Demetri Terzopoulos
- Abstract要約: MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。
トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
- 参考スコア(独自算出の注目度): 11.061381376559053
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based models, when trained in a fully-supervised manner, can be
effective in performing complex image analysis tasks, although contingent upon
the availability of large labeled datasets. Especially in the medical imaging
domain, however, expert image annotation is expensive, time-consuming, and
prone to variability. Semi-supervised learning from limited quantities of
labeled data has shown promise as an alternative. Maximizing knowledge gains
from copious unlabeled data benefits semi-supervised learning models. Moreover,
learning multiple tasks within the same model further improves its
generalizability. We propose MultiMix, a new multi-task learning model that
jointly learns disease classification and anatomical segmentation in a
semi-supervised manner, while preserving explainability through a novel
saliency bridge between the two tasks. Our experiments with varying quantities
of multi-source labeled data in the training sets confirm the effectiveness of
MultiMix in the simultaneous classification of pneumonia and segmentation of
the lungs in chest X-ray images. Moreover, both in-domain and cross-domain
evaluations across these tasks further showcase the potential of our model to
adapt to challenging generalization scenarios.
- Abstract(参考訳): ディープラーニングベースのモデルは、完全に教師ありの方法でトレーニングされた場合、複雑な画像分析タスクの実行に有効であるが、大きなラベル付きデータセットの可用性に起因している。
特に医用画像領域では、専門家画像アノテーションは高価であり、時間がかかり、変動しがちである。
限られた量のラベル付きデータからの半教師付き学習は、promiseを代替品として示した。
ラベルなしデータから得られる知識の最大化は、半教師付き学習モデルに恩恵をもたらす。
さらに、同じモデル内で複数のタスクを学習することで、その一般化性はさらに向上する。
我々は,2つのタスク間の新たなサリエンシブリッジを通して説明可能性を維持しつつ,病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習するマルチタスク学習モデルであるMultiMixを提案する。
胸部X線画像における肺炎の同時分類と肺分画の同時分類におけるMultiMixの有効性を確認した。
さらに、これらのタスクにおけるドメイン内評価とクロスドメイン評価の両方が、我々のモデルが挑戦的な一般化シナリオに適応する可能性を示している。
関連論文リスト
- Multi-rater Prompting for Ambiguous Medical Image Segmentation [12.452584289825849]
医用画像が複数の専門家(レーダ)によって独立して注釈付けされる場合、マルチラターアノテーションは一般的に発生する。
本稿では,これら2つの課題を完全に解決するためのマルチラッタープロンプトベースのアプローチを提案する。
論文 参考訳(メタデータ) (2024-04-11T09:13:50Z) - MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳(メタデータ) (2023-10-03T12:19:19Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳(メタデータ) (2023-04-20T11:40:21Z) - Domain Generalization for Mammography Detection via Multi-style and
Multi-view Contrastive Learning [47.30824944649112]
限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。
バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。
実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2021-11-21T14:29:50Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical
Images [13.690075845927606]
本稿では,病気の分類と解剖学的分類を軽視的に学習する新しいマルチタスク学習モデルであるMultiMixを提案する。
胸部X線画像からの肺炎の分類と肺の分画に対するマルチタスキングモデルの有効性について検討した。
論文 参考訳(メタデータ) (2020-10-28T03:47:29Z)
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。