Fugu-MT 論文翻訳(概要): Faithful learning with sure data for lung nodule diagnosis

論文の概要: Faithful learning with sure data for lung nodule diagnosis

arxiv url: http://arxiv.org/abs/2202.12515v1
Date: Fri, 25 Feb 2022 06:33:11 GMT
ステータス: 処理完了
システム内更新日: 2022-02-28 16:14:37.377850
Title: Faithful learning with sure data for lung nodule diagnosis
Title（参考訳）: 肺結節診断のための確実なデータを用いた忠実学習
Authors: Hanxiao Zhang, Liang Chen, Xiao Gu, Minghui Zhang, Yulei Qin, Feng Yao, Zhexin Wang, Yun Gu, Guang-Zhong Yang
Abstract要約: 結節分類を確実にするための協調学習フレームワークを提案する。損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。
参考スコア（独自算出の注目度）: 34.55176532924471
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent evolution in deep learning has proven its value for CT-based lung nodule classification. Most current techniques are intrinsically black-box systems, suffering from two generalizability issues in clinical practice. First, benign-malignant discrimination is often assessed by human observers without pathologic diagnoses at the nodule level. We termed these data as "unsure data". Second, a classifier does not necessarily acquire reliable nodule features for stable learning and robust prediction with patch-level labels during learning. In this study, we construct a sure dataset with pathologically-confirmed labels and propose a collaborative learning framework to facilitate sure nodule classification by integrating unsure data knowledge through nodule segmentation and malignancy score regression. A loss function is designed to learn reliable features by introducing interpretability constraints regulated with nodule segmentation maps. Furthermore, based on model inference results that reflect the understanding from both machine and experts, we explore a new nodule analysis method for similar historical nodule retrieval and interpretable diagnosis. Detailed experimental results demonstrate that our approach is beneficial for achieving improved performance coupled with faithful model reasoning for lung cancer prediction. Extensive cross-evaluation results further illustrate the effect of unsure data for deep-learning-based methods in lung nodule classification.
Abstract（参考訳）: 深層学習の最近の進歩は、ctに基づく肺結節分類にその価値が証明されている。現在の技術は本質的にブラックボックスシステムであり、臨床で2つの汎用性の問題に苦しんでいる。第一に、良性悪性腫瘍の識別は、結節レベルでの病理診断なしで、人間の観察者によってしばしば評価される。我々はこれらのデータを「不確実データ」と呼んだ。第2に、分類器は、学習中にパッチレベルラベルを用いた安定した学習と堅牢な予測のために、必ずしも信頼できる結節特徴を取得しない。本研究では,病理学的に確認されたラベルを用いた確実なデータセットを構築し,結節の分類を容易にするための協調学習フレームワークを提案する。損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。さらに,機械と専門家双方の理解を反映したモデル推論結果に基づいて,同種の歴史的結節検索と解釈可能な診断のための新しい結節解析手法を提案する。以上の結果から, 肺がん予測のための忠実なモデル推論と併用し, 精度向上に有効であることが示唆された。肺結節分類における深層学習法における不確実性データの効果をさらに明らかにした。

関連論文リスト

Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
Towards reliable respiratory disease diagnosis based on cough sounds and vision transformers [14.144599890583308]
本稿では,大規模コークスデータセットを用いた自己教師型学習と教師型学習を併用したコークス病分類手法を提案する。提案手法は、新型コロナウイルスの診断のための2つのベンチマークデータセットと、AUROC 92.5% の COPD/non-COPD 分類のためのプロプライエタリデータセットにおいて、先行技術よりも一貫して優れていることを示す実験結果を得た。
論文参考訳（メタデータ） (2024-08-28T09:40:40Z)
Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction like Radiologists [39.907916342786564]
肺がんは世界中で主要な死因であり、早期検診は生存率の向上に不可欠である。臨床的には、結節の文脈構造と放射線医の蓄積した経験は良性結節と悪性結節の同定の正確性に関連する2つの中核要素である。本稿では,無線研究者の診断過程をシミュレートする手法を提案する。
論文参考訳（メタデータ） (2023-07-20T12:38:17Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
CLIP-Lung: Textual Knowledge-Guided Lung Nodule Malignancy Prediction [34.35547775426628]
肺結節の予測は、高度なディープラーニング技術と効果的なトリックによって強化されている。現在の手法は主に1ホットカテゴリーラベルを用いたクロスエントロピー損失で訓練されている。肺悪性度予測のためのテキスト知識誘導フレームワークであるCLIP-Lungを提案する。
論文参考訳（メタデータ） (2023-04-17T06:29:14Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis [10.413504599164106]
肺結節診断のためのデータ/アノテーション効率の高い自己説明法であるcRedAnnoを提案する。 cRedAnnoは、自己教師付きコントラスト学習を導入することで、アノテーションの必要性を大幅に減らす。学習空間の可視化は,悪性度と結節属性の相関が臨床知識と一致することを示している。
論文参考訳（メタデータ） (2022-06-27T20:01:41Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
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。