論文の概要: An Analysis of the Influence of Transfer Learning When Measuring the
Tortuosity of Blood Vessels
- arxiv url: http://arxiv.org/abs/2111.10255v1
- Date: Fri, 19 Nov 2021 14:55:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 19:02:50.089996
- Title: An Analysis of the Influence of Transfer Learning When Measuring the
Tortuosity of Blood Vessels
- Title（参考訳）: 血管のtortuosity測定におけるトランスファー・ラーニングの影響の解析
- Authors: Matheus V. da Silva, Julie Ouellette, Baptiste Lacoste, Cesar H. Comin
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は血管のセグメンテーションに関して優れた結果をもたらすことが示されている。
しかし、事前トレーニングされたCNNが、トレーニングされていないデータセットに適用した場合、ダウンストリームタスクに対して堅牢で偏見のない結果を提供できるかどうかはまだ不明だ。
我々は,データセット上のスクラッチからトレーニングしたCNNが取得したトルチューシティ値が,異なるトルチューシティ統計を持つデータセット上で事前学習した微調整ネットワークのものと一致しないことを示す。
- 参考スコア（独自算出の注目度）: 0.7646713951724011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Characterizing blood vessels in digital images is important for the diagnosis
of many types of diseases as well as for assisting current researches regarding
vascular systems. The automated analysis of blood vessels typically requires
the identification, or segmentation, of the blood vessels in an image or a set
of images, which is usually a challenging task. Convolutional Neural Networks
(CNNs) have been shown to provide excellent results regarding the segmentation
of blood vessels. One important aspect of CNNs is that they can be trained on
large amounts of data and then be made available, for instance, in image
processing software for wide use. The pre-trained CNNs can then be easily
applied in downstream blood vessel characterization tasks such as the
calculation of the length, tortuosity, or caliber of the blood vessels. Yet, it
is still unclear if pre-trained CNNs can provide robust, unbiased, results on
downstream tasks when applied to datasets that they were not trained on. Here,
we focus on measuring the tortuosity of blood vessels and investigate to which
extent CNNs may provide biased tortuosity values even after fine-tuning the
network to the new dataset under study. We show that the tortuosity values
obtained by a CNN trained from scratch on a dataset may not agree with those
obtained by a fine-tuned network that was pre-trained on a dataset having
different tortuosity statistics. In addition, we show that the improvement in
segmentation performance when fine-tuning the network does not necessarily lead
to a respective improvement on the estimation of the tortuosity. To mitigate
the aforementioned issues, we propose the application of specific data
augmentation techniques even in situations where they do not improve
segmentation performance.
- Abstract（参考訳）: デジタル画像における血管の特徴付けは,様々な疾患の診断や,血管系に関する最近の研究を支援する上で重要である。
血管の自動分析は通常、画像または画像のセット内の血管の同定、または分割を必要とするが、これは通常困難な作業である。
畳み込みニューラルネットワーク(CNN)は血管のセグメンテーションに関して優れた結果をもたらすことが示されている。
CNNの重要な側面の1つは、大量のデータをトレーニングして、例えば、広範囲に使用するための画像処理ソフトウェアで利用できるようにすることである。
事前訓練されたcnnは、血管の長さ、tortuosity、カリバーの計算など、下流の血管の特徴付けタスクに容易に適用することができる。
しかし、事前トレーニングされたCNNが、トレーニングされていないデータセットに適用した場合、ダウンストリームタスクに対して堅牢で偏見のない結果を提供できるかどうかはまだ不明だ。
そこで本研究では, 血管の硬さを計測し, CNNが新たなデータセットにネットワークを微調整した後でも, どの程度の偏りがあるかを調べる。
我々は,データセット上のスクラッチからトレーニングしたCNNが取得したトルチューシティ値が,異なるトルチューシティ統計を持つデータセット上で事前学習した微調整ネットワークのものと一致しないことを示す。
また,ネットワークを微調整した場合のセグメンテーション性能の向上が,そのトチュニシティの推定における各改善につながるとは限らないことを示す。
上記の問題を緩和するため,セグメンテーション性能が向上しない状況においても,特定のデータ拡張手法の適用を提案する。
関連論文リスト
- LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based
CNN for Retinal Blood Vessel Segmentation [0.0]
ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。
深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。
LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
論文 参考訳（メタデータ） (2023-09-10T09:03:53Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳（メタデータ） (2022-08-17T09:07:45Z) - Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily
Long Videos of Seizures [58.720142291102135]
てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。
本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。
本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
論文 参考訳（メタデータ） (2021-06-22T18:40:31Z) - Training robust deep learning models for medical imaging tasks with
spectral decoupling [0.0]
スペクトル分離は、強いスプリアス相関を持つデータセット上でニューラルネットワークのトレーニングを可能にする。
スペクトルデカップリングで訓練されたネットワークは、異なる中心からのデータセットの重量減衰よりも精度を10パーセント向上させる。
その結果、スペクトル分離により、複数の中心にまたがってトレーニング可能なロバストなニューラルネットワークが利用可能であることが判明した。
論文 参考訳（メタデータ） (2021-03-31T15:47:01Z) - Claw U-Net: A Unet-based Network with Deep Feature Concatenation for
Scleral Blood Vessel Segmentation [18.10578418379116]
SWS(Sturge-Weber syndrome)は、血管奇形疾患であり、患者の症状が重篤な場合、失明を引き起こす可能性がある。
精巣血管を正確に分画する方法は,コンピュータ診断において重要な問題となっている。
Claw UNetは、硬化血管画像データセット上で、他のUNetベースのネットワークを上回っている。
論文 参考訳（メタデータ） (2020-10-20T09:55:29Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - Joint Learning of Vessel Segmentation and Artery/Vein Classification
with Post-processing [27.825969553813092]
血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。
我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。
実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
論文 参考訳（メタデータ） (2020-05-27T13:06:16Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z)
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。