論文の概要: Time-based Self-supervised Learning for Wireless Capsule Endoscopy
- arxiv url: http://arxiv.org/abs/2204.09773v1
- Date: Wed, 20 Apr 2022 20:31:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 13:20:28.399683
- Title: Time-based Self-supervised Learning for Wireless Capsule Endoscopy
- Title(参考訳): 無線カプセル内視鏡における時間的自己教師付き学習
- Authors: Guillem Pascual, Pablo Laiz, Albert Garc\'ia, Hagen Wenzek, Jordi
Vitri\`a, Santi Segu\'i
- Abstract要約: 本研究は,無線内視鏡ビデオにおける自己教師あり学習の活用を提案する。
本研究では,時間軸から抽出した推定固有構造を用いることで,重度の不均衡下であっても,複数の領域固有のアプリケーションにおける検出率を向上させることを証明する。
- 参考スコア(独自算出の注目度): 1.3514953384460016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: State-of-the-art machine learning models, and especially deep learning ones,
are significantly data-hungry; they require vast amounts of manually labeled
samples to function correctly. However, in most medical imaging fields,
obtaining said data can be challenging. Not only the volume of data is a
problem, but also the imbalances within its classes; it is common to have many
more images of healthy patients than of those with pathology. Computer-aided
diagnostic systems suffer from these issues, usually over-designing their
models to perform accurately. This work proposes using self-supervised learning
for wireless endoscopy videos by introducing a custom-tailored method that does
not initially need labels or appropriate balance. We prove that using the
inferred inherent structure learned by our method, extracted from the temporal
axis, improves the detection rate on several domain-specific applications even
under severe imbalance.
- Abstract(参考訳): 最先端の機械学習モデル、特にディープラーニングモデルは非常にデータ量が多く、正しく機能するには大量の手作業によるラベル付きサンプルが必要である。
しかし、ほとんどの医療画像分野において、そのようなデータを得ることは困難である。
データの量だけでなく、クラス内の不均衡も問題であり、病理疾患患者よりも健康な患者のイメージが多いことが一般的である。
コンピュータ支援診断システムはこれらの問題に悩まされ、通常モデルが正確に動作するように過度に設計される。
本研究は,まずラベルや適切なバランスを必要としないカスタマイズ方式を導入することで,無線内視鏡映像に対する自己教師あり学習の利用を提案する。
本手法は, 時間軸から抽出した推定固有構造を用いることで, 厳しい不均衡下でも複数の領域特異的なアプリケーションの検出率を向上できることを実証する。
関連論文リスト
- Data Efficient Contrastive Learning in Histopathology using Active
Sampling [0.0]
ディープラーニングに基づく診断システムは、デジタル病理学において正確で堅牢な定量的分析を提供することができる。
これらのアルゴリズムは、病理学では実用的でない大量の注釈付きトレーニングデータを必要とする。
アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。
論文 参考訳(メタデータ) (2023-03-28T18:51:22Z) - RadTex: Learning Efficient Radiograph Representations from Text Reports [7.090896766922791]
我々は,放射線学報告を利用して,限られたラベル付きデータを用いた医用画像分類性能を向上させるための,データ効率のよい学習フレームワークを構築した。
本モデルは,ラベル付きトレーニングデータに制限がある場合,ImageNetによる事前学習よりも高い分類性能を実現する。
論文 参考訳(メタデータ) (2022-08-05T15:06:26Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2022-06-01T09:20:30Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - AI can evolve without labels: self-evolving vision transformer for chest
X-ray diagnosis through knowledge distillation [30.075714642990768]
本稿では,自己指導型学習と自己学習による知識蒸留を利用した新しい深層学習フレームワークを提案する。
実験の結果,提案フレームワークは実環境に対して顕著な堅牢性を維持していることがわかった。
提案されたフレームワークは、毎年大量のデータが蓄積される医療画像にとって大きな可能性を秘めている。
論文 参考訳(メタデータ) (2022-02-13T22:40:46Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-05T13:46:16Z) - Additive Angular Margin for Few Shot Learning to Classify Clinical
Endoscopy Images [42.74958357195011]
我々は、トレーニングデータが少なくなり、未知のデータセットからテストサンプルのラベルクラスを予測するために使用できる、数ショットの学習手法を提案する。
我々は,マルチセンター,マルチオーガナイズド,マルチモーダル内視鏡データの大規模コホートにおけるいくつかの確立された手法との比較を行った。
論文 参考訳(メタデータ) (2020-03-23T00:20:52Z)
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。