論文の概要: Sharing Generative Models Instead of Private Data: A Simulation Study on
Mammography Patch Classification
- arxiv url: http://arxiv.org/abs/2203.04961v1
- Date: Tue, 8 Mar 2022 19:37:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 13:15:16.127726
- Title: Sharing Generative Models Instead of Private Data: A Simulation Study on
Mammography Patch Classification
- Title（参考訳）: 個人データの代わりに生成モデルを共有する:マンモグラフィパッチ分類のシミュレーション研究
- Authors: Zuzanna Szafranowska, Richard Osuala, Bennet Breier, Kaisar Kushibar,
Karim Lekadir, Oliver Diaz
- Abstract要約: ディープラーニングに基づくコンピュータ支援検出システムは、乳がんの治癒率と死亡率を改善する有望な可能性を示している。
多くの臨床センターは、そのようなモデルを訓練するために利用可能なデータの量と不均一性に制限されている。
実際の患者データの代わりに、センター間で訓練された生成モデルを共有することを提案する。
- 参考スコア（独自算出の注目度）: 5.431631427493169
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early detection of breast cancer in mammography screening via deep-learning
based computer-aided detection systems shows promising potential in improving
the curability and mortality rates of breast cancer. However, many clinical
centres are restricted in the amount and heterogeneity of available data to
train such models to (i) achieve promising performance and to (ii) generalise
well across acquisition protocols and domains. As sharing data between centres
is restricted due to patient privacy concerns, we propose a potential solution:
sharing trained generative models between centres as substitute for real
patient data. In this work, we use three well known mammography datasets to
simulate three different centres, where one centre receives the trained
generator of Generative Adversarial Networks (GANs) from the two remaining
centres in order to augment the size and heterogeneity of its training dataset.
We evaluate the utility of this approach on mammography patch classification on
the test set of the GAN-receiving centre using two different classification
models, (a) a convolutional neural network and (b) a transformer neural
network. Our experiments demonstrate that shared GANs notably increase the
performance of both transformer and convolutional classification models and
highlight this approach as a viable alternative to inter-centre data sharing.
- Abstract（参考訳）: 深層学習に基づくコンピュータ支援検出システムによるマンモグラフィ検診における乳がん早期発見は,乳がんの治癒率と死亡率の向上に有望な可能性を示している。
しかし、多くの臨床センターは、そのようなモデルを訓練するために利用可能なデータの量と多様性に制限されている。
(i)有望な業績を達成すること、及び
(ii)取得プロトコルとドメインをまたがってよく一般化する。
患者プライバシーの懸念からセンター間でのデータ共有は制限されているため、実際の患者データの代わりにセンター間でトレーニングされた生成モデルを共有するという潜在的な解決策を提案する。
本研究では、3つの有名なマンモグラフィーデータセットを用いて3つのセンターをシミュレートし、1つのセンターが残りの2つのセンターからGAN(Generative Adversarial Networks)の訓練されたジェネレータを受信し、トレーニングデータセットのサイズと不均一性を増大させる。
2つの異なる分類モデルを用いて,GAN受信センタのテストセットにおけるマンモグラフィーパッチ分類の有用性を評価した。
(a)畳み込みニューラルネットワーク及び
(b)トランスフォーマーニューラルネットワーク。
実験の結果,共有GANは変圧器と畳み込み分類モデルの両方の性能を顕著に向上させ,この手法を中心的データ共有の代替手段として強調した。
関連論文リスト
- Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。
本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文 参考訳（メタデータ） (2024-11-25T13:53:26Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Automatic Breast Lesion Classification by Joint Neural Analysis of
Mammography and Ultrasound [1.9814912982226993]
そこで本研究では,乳がん病変を各乳腺造影像および超音波画像から分類する深層学習法を提案する。
提案されたアプローチは、GoogleNetアーキテクチャに基づいており、データのために2つのトレーニングステップで微調整されています。
AUCは0.94で、単一のモダリティで訓練された最先端のモデルより優れている。
論文 参考訳（メタデータ） (2020-09-23T09:08:24Z)
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。