論文の概要: Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2203.13865v1
• Date: Fri, 25 Mar 2022 19:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 13:37:41.787984
• Title: Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis
• Title（参考訳）: 知的マスキング : 医用画像解析における文脈符号化のための深いQラーニング
• Authors: Mojtaba Bahrami, Mahsa Ghorbani, Nassir Navab
• Abstract要約: 我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
• 参考スコア（独自算出の注目度）: 48.02011627390706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The need for a large amount of labeled data in the supervised setting has led recent studies to utilize self-supervised learning to pre-train deep neural networks using unlabeled data. Many self-supervised training strategies have been investigated especially for medical datasets to leverage the information available in the much fewer unlabeled data. One of the fundamental strategies in image-based self-supervision is context prediction. In this approach, a model is trained to reconstruct the contents of an arbitrary missing region of an image based on its surroundings. However, the existing methods adopt a random and blind masking approach by focusing uniformly on all regions of the images. This approach results in a lot of unnecessary network updates that cause the model to forget the rich extracted features. In this work, we develop a novel self-supervised approach that occludes targeted regions to improve the pre-training procedure. To this end, we propose a reinforcement learning-based agent which learns to intelligently mask input images through deep Q-learning. We show that training the agent against the prediction model can significantly improve the semantic features extracted for downstream classification tasks. We perform our experiments on two public datasets for diagnosing breast cancer in the ultrasound images and detecting lower-grade glioma with MR images. In our experiments, we show that our novel masking strategy advances the learned features according to the performance on the classification task in terms of accuracy, macro F1, and AUROC.
• Abstract（参考訳）: 教師あり設定における大量のラベル付きデータの必要性は、ラベルなしデータを用いたディープニューラルネットワークの事前学習に自己教師あり学習を利用する最近の研究につながった。 多くの自己監督訓練戦略は、特に医療データセットにおいて、ラベルのないデータで利用可能な情報を活用するために研究されている。 画像に基づく自己監督の基本的な戦略の1つは文脈予測である。 このアプローチでは、画像の任意の欠落領域の内容をその周囲に基づいて再構成するモデルを訓練する。 しかし,既存の手法では画像のすべての領域に一様に焦点を合わせ,ランダムで盲目なマスキング手法を採用している。 このアプローチでは、多くの不要なネットワーク更新が発生し、モデルが抽出された機能を忘れてしまう。 本研究では,事前学習手順を改善するために,対象領域を遮蔽する新しい自己教師付きアプローチを開発した。 そこで本研究では,深層Q-ラーニングによる入力画像をインテリジェントにマスクする強化学習エージェントを提案する。 予測モデルに対するエージェントの訓練は,下流分類タスクで抽出された意味的特徴を著しく改善できることを示す。 超音波画像における乳癌の診断とMRI画像による下等度グリオーマの検出のための2つの公開データセットの実験を行った。 実験では,新しいマスキング手法が,精度,マクロF1,AUROCの分類タスクの性能に応じて,学習した特徴を向上することを示した。

関連論文リスト

• Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
  本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。 我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。 類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
  論文  参考訳（メタデータ） (2024-10-01T15:19:16Z)
• Nucleus-aware Self-supervised Pretraining Using Unpaired Image-to-image Translation for Histopathology Images [3.8391355786589805]
  病理組織像のための新しい核認識型自己教師型プレトレーニングフレームワークを提案する。 このフレームワークは、未ペア画像から画像への変換によって核形態や分布情報を捉えることを目的としている。 7つのデータセットに対する実験により,提案手法は,Kather分類,複数インスタンス学習,および5つの高密度予測タスクにおいて,教師付き手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-14T02:31:18Z)
• Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images with Free Attention Masks [64.67735676127208]
  テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。 有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。 上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
  論文  参考訳（メタデータ） (2023-08-13T10:07:46Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
  マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。 本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。 実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-12T05:28:55Z)
• Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
  ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。 我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。 異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-07-17T13:28:52Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• Self supervised contrastive learning for digital histopathology [0.0]
  我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。 異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。 学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
  論文  参考訳（メタデータ） (2020-11-27T19:18:45Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。