論文の概要: Enhancing Non-mass Breast Ultrasound Cancer Classification With Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2204.08478v1
• Date: Mon, 18 Apr 2022 16:09:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-20 14:44:17.039433
• Title: Enhancing Non-mass Breast Ultrasound Cancer Classification With Knowledge Transfer
• Title（参考訳）: 知識伝達による非大量乳癌分類の促進
• Authors: Yangrun Hu, Yuanfan Guo, Fan Zhang, Mingda Wang, Tiancheng Lin, Rong Wu, Yi Xu
• Abstract要約: 非質量BUSに対するDNNモデルの一般化性を高めるための新しい移動学習フレームワークを提案する。 具体的には、非質量データと質量データを組み合わせた共有DNNを訓練する。 非質量BUSの悪性度予測タスクにおいて,このフレームワークがAUCの10%改善を実現していることを示す。
• 参考スコア（独自算出の注目度）: 11.010974176972086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much progress has been made in the deep neural network (DNN) based diagnosis of mass lesions breast ultrasound (BUS) images. However, the non-mass lesion is less investigated because of the limited data. Based on the insight that mass data is sufficient and shares the same knowledge structure with non-mass data of identifying the malignancy of a lesion based on the ultrasound image, we propose a novel transfer learning framework to enhance the generalizability of the DNN model for non-mass BUS with the help of mass BUS. Specifically, we train a shared DNN with combined non-mass and mass data. With the prior of different marginal distributions in input and output space, we employ two domain alignment strategies in the proposed transfer learning framework with the insight of capturing domain-specific distribution to address the issue of domain shift. Moreover, we propose a cross-domain semantic-preserve data generation module called CrossMix to recover the missing distribution between non-mass and mass data that is not presented in training data. Experimental results on an in-house dataset demonstrate that the DNN model trained with combined data by our framework achieves a 10% improvement in AUC on the malignancy prediction task of non-mass BUS compared to training directly on non-mass data.
• Abstract（参考訳）: 深層ニューラルネットワーク (dnn) では, 腫瘤性乳房超音波 (bus) 画像の診断に多くの進歩が見られた。 しかし, 限られたデータにより, 非質量病変の調査は少ない。 超音波画像に基づいて病変の悪性度を同定する非質量データと質量データとが同一の知識構造を持つという知見に基づいて,マスバスを用いて非質量バス用dnnモデルの一般化性を高めるための新しいトランスファー学習フレームワークを提案する。 具体的には、非質量データと質量データを組み合わせた共有DNNを訓練する。 入力および出力空間における異なる限界分布の先行により、提案するトランスファー学習フレームワークにおいて、ドメインシフトの問題に対処するために、ドメイン固有分布を捉える洞察を持つ2つのドメインアライメント戦略を用いる。 さらに,学習データに表示されない非質量データと質量データの間の欠落分布を復元するクロスドメイン・セマンティック保存データ生成モジュールCrossMixを提案する。 内製データセットを用いた実験の結果,本フレームワークによる複合データで訓練したdnnモデルでは,非マスデータを直接トレーニングした場合と比較して,非マスバスの悪性度予測タスクにおけるaucの10%改善が得られた。

関連論文リスト

• Unsupervised Domain Adaptation for Brain Vessel Segmentation through Transwarp Contrastive Learning [46.248404274124546]
  教師なし領域適応(Unsupervised domain adapt, UDA)は、ラベル付きソース分布とラベル付きターゲット分布との整合を目的とし、ドメイン不変な予測モデルを得る。 本稿では,ラベル付きソースと非ラベル付きターゲット分布の領域間ギャップを狭めるための,UDAのための簡易かつ強力なコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T10:01:22Z)
• 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)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• 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)
• COIN: Contrastive Identifier Network for Breast Mass Diagnosis in Mammography [16.603205672169608]
  マンモグラフィーにおけるコンピュータ支援乳がん診断は, マンモグラフィーデータの不足とデータ絡み合いから生じる課題である。 本論文では,対比拡大とマニホールドに基づく対比学習を統合した深層学習フレームワークであるContrastive Identifier Network(textscCOIN)を提案する。 COINは、乳がん診断問題を解決するための最新の関連アルゴリズムをかなりのマージンで上回り、93.4%の精度と95.0%のAUCスコアを達成しています。
  論文  参考訳（メタデータ） (2020-12-29T10:02:02Z)
• 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)
• Deep Doubly Supervised Transfer Network for Diagnosis of Breast Cancer with Imbalanced Ultrasound Imaging Modalities [1.017815799712437]
  エラストグラフィー超音波(EUS)は、乳がんの診断にBモード超音波(BUS)の生体力学的インフォームを提供する。 農村部病院におけるEUS装置の欠如は、乳がんに対するコンピュータ支援診断(CAD)において、新しいモダリティの不均衡問題を引き起こす。 本稿では,Learning Using Privileged Information (LUPI) パラダイムと最大平均離散性 (MMD) 基準を統合深層TLフレームワークに組み込んだ新しい2重教師付きTLネットワーク(DDSTN)を提案する。
  論文  参考訳（メタデータ） (2020-06-29T07:32:07Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。