論文の概要: Multiple Instance Learning for Brain Tumor Detection from Magnetic Resonance Spectroscopy Data

• arxiv url: http://arxiv.org/abs/2112.08845v1
• Date: Thu, 16 Dec 2021 12:51:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 16:34:25.865724
• Title: Multiple Instance Learning for Brain Tumor Detection from Magnetic Resonance Spectroscopy Data
• Title（参考訳）: 磁気共鳴分光データを用いた脳腫瘍検出のためのマルチインスタンス学習
• Authors: Diyuan Lu, Gerhard Kurz, Nenad Polomac, Iskra Gacheva, Elke Hattingen, Jochen Triesch
• Abstract要約: 磁気共鳴分光法(MRS)データに深層学習(DL)を適用し,脳腫瘍検出の課題について検討した。 我々は同一患者の複数のスペクトルを分類するために「バッグ」に集約し、データ拡張技術を適用した。 単一スペクトルではなく,複数インスタンスでのトレーニングにおいて,分類性能が著しく向上することが実証された。
• 参考スコア（独自算出の注目度）: 1.4353812560047188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We apply deep learning (DL) on Magnetic resonance spectroscopy (MRS) data for the task of brain tumor detection. Medical applications often suffer from data scarcity and corruption by noise. Both of these problems are prominent in our data set. Furthermore, a varying number of spectra are available for the different patients. We address these issues by considering the task as a multiple instance learning (MIL) problem. Specifically, we aggregate multiple spectra from the same patient into a "bag" for classification and apply data augmentation techniques. To achieve the permutation invariance during the process of bagging, we proposed two approaches: (1) to apply min-, max-, and average-pooling on the features of all samples in one bag and (2) to apply an attention mechanism. We tested these two approaches on multiple neural network architectures. We demonstrate that classification performance is significantly improved when training on multiple instances rather than single spectra. We propose a simple oversampling data augmentation method and show that it could further improve the performance. Finally, we demonstrate that our proposed model outperforms manual classification by neuroradiologists according to most performance metrics.
• Abstract（参考訳）: 磁気共鳴分光法(MRS)データに深層学習(DL)を適用し,脳腫瘍検出の課題について検討した。 医療応用は、しばしばデータ不足とノイズによる腐敗に悩まされる。 これらの問題はどちらもデータセットで顕著です。 さらに、異なる患者に対して様々なスペクトルが利用可能である。 タスクをマルチインスタンス学習(MIL)問題として考えることで、これらの問題に対処する。 具体的には、同一患者から複数のスペクトルを分類のための「バッグ」に集約し、データ拡張技術を適用する。 袋詰め工程における変分不変性を実現するため,(1)各試料の特徴にmin-,max-, average-poolingを適用すること,(2)注意機構を適用すること,の2つの手法を提案した。 これら2つのアプローチを複数のニューラルネットワークアーキテクチャでテストした。 単一スペクトルではなく,複数インスタンスでのトレーニングにおいて,分類性能が著しく向上することが実証された。 本稿では,データ拡張の簡易なオーバーサンプリング手法を提案し,その性能をさらに向上できることを示す。 最後に,提案モデルが神経放射線学者による手動分類よりも優れた性能を示すことを示す。

関連論文リスト

• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Multi-Modality Multi-Scale Cardiovascular Disease Subtypes Classification Using Raman Image and Medical History [2.9315342447802317]
  これらの問題に対処する2つのコアモジュールを持つ新しいディープラーニング手法であるM3Sというマルチモードマルチスケールモデルを提案する。 まず,図形角度場(GAF)による様々な解像度画像にRSデータを変換してニュアンスを拡大する。 第2に、RSと医療履歴データを組み合わせて分類能力を高めるために、確率行列と重み行列を用いる。
  論文  参考訳（メタデータ） (2023-04-18T22:09:16Z)
• ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
  GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
  論文  参考訳（メタデータ） (2022-10-27T02:55:15Z)
• Multiplex-detection Based Multiple Instance Learning Network for Whole Slide Image Classification [2.61155594652503]
  マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。 本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。 具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
  論文  参考訳（メタデータ） (2022-08-06T14:36:48Z)
• Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
  大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。 fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。 本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T08:38:00Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)
• Active Selection of Classification Features [0.0]
  人口統計などの補助的データは、最も有益なMRIスキャンを持つ個人を含む小さなサンプルを選択するのに役立ちます。 本研究では,2つの実用的手法を提案し,その性能を3つの実世界のベンチマークデータセットで評価する。
  論文  参考訳（メタデータ） (2021-02-26T18:19:08Z)
• Human-Expert-Level Brain Tumor Detection Using Deep Learning with Data Distillation and Augmentation [6.78974856327994]
  深層学習の医学的診断への応用は、しばしば2つの問題によって妨げられる。 第一に、診断対象の患者数によって制限されるため、トレーニングデータの量が少ない場合がある。 第2に、トレーニングデータは様々な種類のノイズによって破損する可能性がある。
  論文  参考訳（メタデータ） (2020-06-17T15:52:28Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。