論文の概要: Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion

• arxiv url: http://arxiv.org/abs/2111.14388v1
• Date: Mon, 29 Nov 2021 09:11:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 02:02:00.819926
• Title: Enhanced Transfer Learning Through Medical Imaging and Patient Demographic Data Fusion
• Title（参考訳）: 医用画像と患者画像データ融合による伝達学習の強化
• Authors: Spencer A. Thomas
• Abstract要約: 画像特徴と関連する非画像データとを組み合わせた医療画像データの分類における性能向上について検討した。 特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we examine the performance enhancement in classification of medical imaging data when image features are combined with associated non-image data. We compare the performance of eight state-of-the-art deep neural networks in classification tasks when using only image features, compared to when these are combined with patient metadata. We utilise transfer learning with networks pretrained on ImageNet used directly as feature extractors and fine tuned on the target domain. Our experiments show that performance can be significantly enhanced with the inclusion of metadata and use interpretability methods to identify which features lead to these enhancements. Furthermore, our results indicate that the performance enhancement for natural medical imaging (e.g. optical images) benefit most from direct use of pre-trained models, whereas non natural images (e.g. representations of non imaging data) benefit most from fine tuning pre-trained networks. These enhancements come at a negligible additional cost in computation time, and therefore is a practical method for other applications.
• Abstract（参考訳）: 本研究では,画像特徴と関連する非画像データを組み合わせた場合の医用画像データの分類における性能向上について検討する。 画像特徴のみを使用する場合の分類タスクにおける8つの最先端ディープニューラルネットワークの性能を,患者メタデータと組み合わせた場合と比較した。 特徴抽出器として直接使用し,対象領域に微調整を施したImageNetで事前訓練したネットワークを用いた転送学習を利用する。 実験の結果,メタデータの導入によって性能が大幅に向上し,その改善につながる機能を特定するために解釈可能性手法が用いられている。 さらに,本研究の結果から,非自然画像(非画像データの表現など)はトレーニング済みのネットワークを微調整することの利点が最も大きいのに対し,光学画像はトレーニング済みのモデルを直接利用することの利点が示唆された。 これらの拡張は計算時間に必然的に追加コストがかかるため、他のアプリケーションでは実用的な方法である。

関連論文リスト

• Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
  本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。 固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。 また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
  論文  参考訳（メタデータ） (2024-08-30T04:51:19Z)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• Multi-organ Self-supervised Contrastive Learning for Breast Lesion Segmentation [0.0]
  本稿では,臓器関連目標タスクに適した事前学習モデルとして,多臓器データセットを用いる。 対象は超音波画像における乳腺腫瘍のセグメンテーションである。 その結果,従来のコントラスト学習事前学習は,教師付きベースラインアプローチに比べて性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-02-21T20:29:21Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Revisiting Hidden Representations in Transfer Learning for Medical Imaging [2.4545492329339815]
  7つの医学分類課題について,ImageNetとRadImageNetを比較した。 その結果,ImageNetとRadImageNetは直感とは対照的に,異なる中間表現に収束する可能性が示唆された。 その結果, ネットワーク間の微調整前後の類似性は, 性能向上と相関しないことがわかった。
  論文  参考訳（メタデータ） (2023-02-16T13:04:59Z)
• Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
  振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。 最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。 ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
  論文  参考訳（メタデータ） (2021-10-09T16:09:27Z)
• Combining Image Features and Patient Metadata to Enhance Transfer Learning [0.0]
  画像特徴のみを用いる場合の分類作業における6つの最先端ディープニューラルネットワークの性能と,これらを患者のメタデータと組み合わせた場合の比較を行った。 以上の結果から,この性能向上はディープネットワークの一般的な特性である可能性が示唆され,他の分野での探索が望まれる。
  論文  参考訳（メタデータ） (2021-10-08T15:43:31Z)
• Enhancing MR Image Segmentation with Realistic Adversarial Data Augmentation [17.539828821476224]
  本稿では,学習データの利用効率を向上させるために,逆データ拡張手法を提案する。 本稿では,データ拡張モデルとセグメンテーションネットワークを協調的に最適化する汎用的なタスク駆動学習フレームワークを提案する。 提案した逆データ拡張は生成ネットワークに依存しず,汎用セグメンテーションネットワークのプラグインモジュールとして使用できる。
  論文  参考訳（メタデータ） (2021-08-07T11:32:37Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。