論文の概要: Expert Knowledge-guided Geometric Representation Learning for Magnetic Resonance Imaging-based Glioma Grading

• arxiv url: http://arxiv.org/abs/2201.02746v1
• Date: Sat, 8 Jan 2022 02:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:44:02.845116
• Title: Expert Knowledge-guided Geometric Representation Learning for Magnetic Resonance Imaging-based Glioma Grading
• Title（参考訳）: 磁気共鳴イメージングに基づくグリオーマグレーディングのための知識誘導幾何表現学習
• Authors: Yeqi Wang, Longfei Li, Cheng Li, Yan Xi, Hairong Zheng, Yusong Lin, Shanshan Wang
• Abstract要約: 放射線学とディープラーニングは、グリオーマの自動評価において高い人気を示している。 本稿では,知識指導型幾何表現学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.839240728728589
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiomics and deep learning have shown high popularity in automatic glioma grading. Radiomics can extract hand-crafted features that quantitatively describe the expert knowledge of glioma grades, and deep learning is powerful in extracting a large number of high-throughput features that facilitate the final classification. However, the performance of existing methods can still be improved as their complementary strengths have not been sufficiently investigated and integrated. Furthermore, lesion maps are usually needed for the final prediction at the testing phase, which is very troublesome. In this paper, we propose an expert knowledge-guided geometric representation learning (ENROL) framework . Geometric manifolds of hand-crafted features and learned features are constructed to mine the implicit relationship between deep learning and radiomics, and therefore to dig mutual consent and essential representation for the glioma grades. With a specially designed manifold discrepancy measurement, the grading model can exploit the input image data and expert knowledge more effectively in the training phase and get rid of the requirement of lesion segmentation maps at the testing phase. The proposed framework is flexible regarding deep learning architectures to be utilized. Three different architectures have been evaluated and five models have been compared, which show that our framework can always generate promising results.
• Abstract（参考訳）: 放射線学とディープラーニングは、グリオーマの自動評価において高い人気を示している。 放射線学はグリオーマの学級の専門知識を定量的に記述する手作りの特徴を抽出することができ、ディープラーニングは最終分類を容易にする多数の高スループット特徴を抽出するのに強力である。 しかし, 相補的強度が十分に調査され, 統合されていないため, 既存手法の性能は改善できる。 さらに、テストフェーズの最終予測には、通常、病変マップが必要であるが、非常に厄介である。 本稿では,知識指導型幾何表現学習(ENROL)フレームワークを提案する。 手作りの特徴と学習特徴の幾何学多様体は、深層学習と放射線学の暗黙の関係を掘り下げるために構築され、グリオーマグレードの相互同意と本質的な表現を掘り下げる。 特別に設計された多様体の誤差測定により、学習段階において入力画像データとエキスパート知識をより効果的に活用し、試験段階における病変分割マップの要求を解消することができる。 提案するフレームワークは、使用するディープラーニングアーキテクチャに関して柔軟である。 3つの異なるアーキテクチャが評価され、5つのモデルが比較されています。

関連論文リスト

• Using Domain Knowledge with Deep Learning to Solve Applied Inverse Problems [0.0]
  本研究では,メカニカル・ビヘイビアに関するドメイン固有知識の具体化について検討した。 これを実証するために、多孔質材料の重要なミクロ組織特性を予測するために応力-ひずみ曲線を用いた。
  論文  参考訳（メタデータ） (2025-01-17T03:09:25Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• Epistemic Graph: A Plug-And-Play Module For Hybrid Representation Learning [46.48026220464475]
  人間はハイブリッド学習を示し、クロスドメイン認識のための構造化された知識をシームレスに統合したり、少量の学習のために少量のデータサンプルに依存する。 本稿では, 深部特徴と構造化知識グラフ間の情報交換を促進し, ハイブリッド学習を実現するための新しいエピステミックグラフ層(EGLayer)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T04:10:15Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
  血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。 その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。 提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
  論文  参考訳（メタデータ） (2022-12-01T09:31:08Z)
• Class-Specific Semantic Reconstruction for Open Set Recognition [101.24781422480406]
  オープンセット認識により、ディープニューラルネットワーク(DNN)は未知のクラスのサンプルを識別できる。 本稿では,自動エンコーダ(AE)とプロトタイプ学習を統合したCSSR(Class-Specific Semantic Reconstruction)を提案する。 複数のデータセットで実験を行った結果,提案手法は閉集合認識と開集合認識の両方において優れた性能を発揮することがわかった。
  論文  参考訳（メタデータ） (2022-07-05T16:25:34Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Blending Knowledge in Deep Recurrent Networks for Adverse Event Prediction at Hospital Discharge [15.174501264797309]
  セルフアテンテンションに基づくリカレントニューラルネットワークによって計算された患者データの表現と臨床的に関連性のある機能とを融合させた学習アーキテクチャを導入する。 我々は,大規模なクレームデータセットについて広範な実験を行い,ブレンド手法が標準的な機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-04-09T14:07:45Z)
• Understanding Deep Architectures with Reasoning Layer [60.90906477693774]
  本研究では,アルゴリズムの収束,安定性,感度といった特性が,エンドツーエンドモデルの近似と一般化能力と密接に関連していることを示す。 私たちの理論は、深いアーキテクチャを推論層で設計するための有用なガイドラインを提供することができます。
  論文  参考訳（メタデータ） (2020-06-24T00:26:35Z)

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。