論文の概要: Explainable COVID-19 Infections Identification and Delineation Using Calibrated Pseudo Labels

• arxiv url: http://arxiv.org/abs/2202.07422v1
• Date: Fri, 11 Feb 2022 17:32:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 14:19:59.773802
• Title: Explainable COVID-19 Infections Identification and Delineation Using Calibrated Pseudo Labels
• Title（参考訳）: Calibated Pseudo Label を用いた説明可能なCOVID-19感染の同定と記述
• Authors: Ming Li, Yingying Fang, Zeyu Tang, Chibudom Onuorah, Jun Xia, Javier Del Ser, Simon Walsh, Guang Yang
• Abstract要約: 本稿では,モデルに依存しない擬似ラベリング手法を提案する。 限定ラベル付きデータと十分な未ラベルデータを組み合わせたモデルの有効性を実証する。
• 参考スコア（独自算出の注目度）: 13.022429824742055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The upheaval brought by the arrival of the COVID-19 pandemic has continued to bring fresh challenges over the past two years. During this COVID-19 pandemic, there has been a need for rapid identification of infected patients and specific delineation of infection areas in computed tomography (CT) images. Although deep supervised learning methods have been established quickly, the scarcity of both image-level and pixellevel labels as well as the lack of explainable transparency still hinder the applicability of AI. Can we identify infected patients and delineate the infections with extreme minimal supervision? Semi-supervised learning (SSL) has demonstrated promising performance under limited labelled data and sufficient unlabelled data. Inspired by SSL, we propose a model-agnostic calibrated pseudo-labelling strategy and apply it under a consistency regularization framework to generate explainable identification and delineation results. We demonstrate the effectiveness of our model with the combination of limited labelled data and sufficient unlabelled data or weakly-labelled data. Extensive experiments have shown that our model can efficiently utilize limited labelled data and provide explainable classification and segmentation results for decision-making in clinical routine.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の流行は、過去2年間で新たな課題をもたらし続けている。 この新型コロナウイルスのパンデミックの間、CT(Computed tomography)画像において、感染患者の迅速同定と感染部位の特定が求められている。 深層学習法は急速に確立されているが、画像レベルと画素レベルのラベルの不足、説明可能な透明性の欠如は、AIの適用性を妨げている。 感染患者を特定でき、極端に最小限の監督で感染を抑えることができるか? 半教師付き学習(SSL)は、ラベル付きデータと十分な未ラベルデータの下で、有望なパフォーマンスを示す。 sslに触発されて,モデル非依存のキャリブレーションされた擬似ラベル戦略を提案し,それを一貫性規則化フレームワークで適用し,説明可能な識別と区切り結果を生成する。 限定されたラベル付きデータと十分なラベル付きデータ、あるいは弱いラベル付きデータを組み合わせたモデルの有効性を示す。 広範囲な実験により,本モデルでは,限られたラベル付きデータを効率的に活用し,臨床経過における意思決定のための分類とセグメンテーション結果を提供することができた。

関連論文リスト

• Domain Adaptation Using Pseudo Labels for COVID-19 Detection [19.844531606142496]
  ドメイン適応のために擬似ラベルを利用する2段階のフレームワークを提案する。 あるドメインからのアノテートデータと別のドメインからの非アノテートデータを利用することで、モデルはデータの不足と可変性の課題を克服する。 COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-18T06:07:45Z)
• Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity [6.802798389355481]
  糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。 各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。 疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
  論文  参考訳（メタデータ） (2022-10-18T03:25:00Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Severity Quantification and Lesion Localization of COVID-19 on CXR using Vision Transformer [25.144248675578286]
  世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。 重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。 我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
  論文  参考訳（メタデータ） (2021-03-12T03:17:19Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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。