論文の概要: Community Detection in Medical Image Datasets: Using Wavelets and
Spectral Methods
- arxiv url: http://arxiv.org/abs/2112.12021v1
- Date: Wed, 22 Dec 2021 16:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 15:09:01.223534
- Title: Community Detection in Medical Image Datasets: Using Wavelets and
Spectral Methods
- Title（参考訳）: 医療画像データセットにおけるコミュニティ検出:ウェーブレットとスペクトル法を用いて
- Authors: Roozbeh Yousefzadeh
- Abstract要約: 医用画像データセットにおけるコミュニティの自動識別を容易にするアルゴリズムを提案する。
グラフラプラシアンの固有値は、画像データセット内の注目すべきコミュニティの数を明らかにすることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image datasets can have large number of images representing patients
with different health conditions and various disease severity. When dealing
with raw unlabeled image datasets, the large number of samples often makes it
hard for experts and non-experts to understand the variety of images present in
a dataset. Supervised learning methods rely on labeled images which requires a
considerable effort by medical experts to first understand the communities of
images present in the data and then labeling the images. Here, we propose an
algorithm to facilitate the automatic identification of communities in medical
image datasets. We further explain that such analysis can also be insightful in
a supervised setting, when the images are already labeled. Such insights are
useful because in reality, health and disease severity can be considered a
continuous spectrum, and within each class, there usually are finer communities
worthy of investigation, especially when they have similarities to communities
in other classes. In our approach, we use wavelet decomposition of images in
tandem with spectral methods. We show that the eigenvalues of a graph Laplacian
can reveal the number of notable communities in an image dataset. In our
experiments, we use a dataset of images labeled with different conditions for
COVID patients. We detect 25 communities in the dataset and then observe that
only 6 of those communities contain patients with pneumonia. We also
investigate the contents of a colorectal cancer histopathology dataset.
- Abstract（参考訳）: 医療画像データセットは、異なる健康状態と様々な病気の重症度を示す多数の画像を持つことができる。
生のラベルのないイメージデータセットを扱う場合、多数のサンプルは、専門家や非専門家がデータセットに存在するさまざまなイメージを理解するのを難しくする。
監視された学習方法はラベル付き画像に依存しており、医療専門家がまずデータに存在する画像のコミュニティを理解してラベル付けする。
本稿では,医療画像データセットにおけるコミュニティの自動識別を容易にするアルゴリズムを提案する。
さらに,画像のラベル付けが既に行われている場合,このような解析は教師付き設定でも洞察に富むことが説明できる。
このような洞察は、現実には、健康と病気の重症度が連続的なスペクトルと見なすことができ、各クラスには、特に他のクラスのコミュニティと類似点がある場合に、調査に値する細かいコミュニティがあるため、有用である。
提案手法では,スペクトル法によるタンデム画像のウェーブレット分解を用いる。
グラフラプラシアンの固有値は、画像データセット内の注目すべきコミュニティの数を明らかにすることができる。
実験では、新型コロナウイルス患者に対して異なる条件でラベル付けされた画像のデータセットを使用しました。
データセット中の25のコミュニティを検出し,肺炎患者を含むコミュニティは6つに過ぎなかった。
また,大腸癌病理組織学データセットの内容についても検討した。
関連論文リスト
- MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。
医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。
本稿では,比較を統一したベンチマークを構築した。
論文 参考訳（メタデータ） (2024-04-06T06:18:11Z) - Could We Generate Cytology Images from Histopathology Images? An Empirical Study [1.791005104399795]
本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。
本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。
論文 参考訳（メタデータ） (2024-03-16T10:43:12Z) - Multimorbidity Content-Based Medical Image Retrieval Using Proxies [37.47987844057842]
本稿では、分類とコンテンツに基づく画像検索の両方に使用できる新しい多ラベルメトリック学習法を提案する。
本モデルは,疾患の存在を予測し,これらの予測の証拠を提供することによって診断を支援することができる。
分類とコンテンツに基づく画像検索へのアプローチの有効性を2つのマルチモービディティー・ラジオロジー・データセットで実証した。
論文 参考訳（メタデータ） (2022-11-22T11:23:53Z) - Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance
Image Segmentation with High Quality Pseudo Labels [8.283424744148258]
半教師型医療セグメント化のための領域一般化手法を提案する。
本研究の主な目的は,各種領域を用いた極端なMRI解析による擬似ラベルの品質向上である。
本手法は呼吸運動の異なる心臓磁気共鳴画像の正確なセグメンテーション結果を連続的に生成する。
論文 参考訳（メタデータ） (2022-09-30T12:57:41Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。
本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-13T15:40:50Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - 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) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。