論文の概要: Self-supervised Learning from 100 Million Medical Images
- arxiv url: http://arxiv.org/abs/2201.01283v1
- Date: Tue, 4 Jan 2022 18:27:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 14:04:26.846832
- Title: Self-supervised Learning from 100 Million Medical Images
- Title(参考訳): 1億の医用画像からの自己教師あり学習
- Authors: Florin C. Ghesu, Bogdan Georgescu, Awais Mansoor, Youngjin Yoo,
Dominik Neumann, Pragneshkumar Patel, R.S. Vishwanath, James M. Balter, Yue
Cao, Sasa Grbic, Dorin Comaniciu
- Abstract要約: コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。
我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。
本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
- 参考スコア(独自算出の注目度): 13.958840691105992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building accurate and robust artificial intelligence systems for medical
image assessment requires not only the research and design of advanced deep
learning models but also the creation of large and curated sets of annotated
training examples. Constructing such datasets, however, is often very costly --
due to the complex nature of annotation tasks and the high level of expertise
required for the interpretation of medical images (e.g., expert radiologists).
To counter this limitation, we propose a method for self-supervised learning of
rich image features based on contrastive learning and online feature
clustering. For this purpose we leverage large training datasets of over
100,000,000 medical images of various modalities, including radiography,
computed tomography (CT), magnetic resonance (MR) imaging and ultrasonography.
We propose to use these features to guide model training in supervised and
hybrid self-supervised/supervised regime on various downstream tasks. We
highlight a number of advantages of this strategy on challenging image
assessment problems in radiography, CT and MR: 1) Significant increase in
accuracy compared to the state-of-the-art (e.g., AUC boost of 3-7% for
detection of abnormalities from chest radiography scans and hemorrhage
detection on brain CT); 2) Acceleration of model convergence during training by
up to 85% compared to using no pretraining (e.g., 83% when training a model for
detection of brain metastases in MR scans); 3) Increase in robustness to
various image augmentations, such as intensity variations, rotations or scaling
reflective of data variation seen in the field.
- Abstract(参考訳): 医療画像評価のための正確で堅牢な人工知能システムの構築には、高度なディープラーニングモデルの研究と設計だけでなく、注釈付きトレーニング例の大規模かつキュレーションセットの作成が必要である。
しかし、このようなデータセットの構築は、しばしば非常にコストがかかる - アノテーションタスクの複雑な性質と、医療画像(例えば、専門家放射線科医)の解釈に必要な高度な専門知識のおかげで。
この制限に対応するために、コントラスト学習とオンライン特徴クラスタリングに基づくリッチ画像特徴の自己教師付き学習法を提案する。
この目的のために,X線撮影,CT,MRI,超音波などの様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを利用する。
本稿では,これらの特徴を,様々な下流タスクにおける教師付き・ハイブリッド型自己監督・教師付きシステムにおけるモデルトレーニングの指導に利用することを提案する。
画像診断, CT, MRにおける画像評価の課題に対して, この戦略の多くの利点を強調した。
1)最先端と比較しての精度の顕著な上昇(例:AUCによる胸部X線撮影による異常検出と脳CTでの出血検出の3-7%)
2)トレーニング中のモデル収束の促進は,事前トレーニングを行わない場合と比較して最大85%向上する(例,mrスキャンにおける脳転移検出モデルのトレーニング時83%)。
3)フィールドで見られるデータ変動の強度変化,回転,スケーリング反射などの画像強化に対するロバスト性の向上。
関連論文リスト
- Detecting Brain Tumors through Multimodal Neural Networks [0.0]
本研究の目的は、グレースケール画像として処理されたMRIスキャンの分類のためのマルチモーダルモデルの性能を評価することである。
結果は有望であり、モデルが約98%の精度に達すると、同様の結果が得られる。
論文 参考訳(メタデータ) (2024-01-10T13:06:52Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。
まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。
そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
論文 参考訳(メタデータ) (2022-11-24T06:57:16Z) - Uncertainty-Aware Multi-Parametric Magnetic Resonance Image Information
Fusion for 3D Object Segmentation [12.361668672097753]
拡張された3次元画像セグメンテーションのための情報を完全に活用するために,不確実性を考慮したマルチパラメトリックMR画像特徴融合法を提案する。
提案手法は,既存モデルと比較してセグメンテーション性能が向上する。
論文 参考訳(メタデータ) (2022-11-16T09:16:52Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳(メタデータ) (2021-07-09T05:40:25Z) - Imbalance-Aware Self-Supervised Learning for 3D Radiomic Representations [5.750111443935516]
3d siameseネットワークを用いて,自己教師あり方式で画像表現の学習方法を示す。
MRIおよびCT撮影法を用いた脳腫瘍分類と肺癌のステージング作業において有意な改善がみられた。
論文 参考訳(メタデータ) (2021-03-06T18:17:03Z) - 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)
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。