論文の概要: Deep Supervised Information Bottleneck Hashing for Cross-modal Retrieval based Computer-aided Diagnosis

• arxiv url: http://arxiv.org/abs/2205.08365v1
• Date: Fri, 6 May 2022 11:43:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-22 16:44:52.228110
• Title: Deep Supervised Information Bottleneck Hashing for Cross-modal Retrieval based Computer-aided Diagnosis
• Title（参考訳）: クロスモーダル検索に基づくコンピュータ支援診断のための深層監視情報ボトルネックハッシュ
• Authors: Yufeng Shi, Shuhuang Chen, Xinge You, Qinmu Peng, Weihua Ou, Yue Zhao
• Abstract要約: 本稿では,ハッシュコードの識別性を効果的に強化するディープ・スーパービジョン・インフォメーション・ボトルネック・ハッシュ(DSIBH)を提案する。 これにより、過剰な情報が減少し、ハッシュコードの識別が容易になる。 DSIBHの精度は, クロスモーダルな医療データ検索作業における最先端技術と比較して高い結果が得られた。
• 参考スコア（独自算出の注目度）: 17.0847996323416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mapping X-ray images, radiology reports, and other medical data as binary codes in the common space, which can assist clinicians to retrieve pathology-related data from heterogeneous modalities (i.e., hashing-based cross-modal medical data retrieval), provides a new view to promot computeraided diagnosis. Nevertheless, there remains a barrier to boost medical retrieval accuracy: how to reveal the ambiguous semantics of medical data without the distraction of superfluous information. To circumvent this drawback, we propose Deep Supervised Information Bottleneck Hashing (DSIBH), which effectively strengthens the discriminability of hash codes. Specifically, the Deep Deterministic Information Bottleneck (Yu, Yu, and Principe 2021) for single modality is extended to the cross-modal scenario. Benefiting from this, the superfluous information is reduced, which facilitates the discriminability of hash codes. Experimental results demonstrate the superior accuracy of the proposed DSIBH compared with state-of-the-arts in cross-modal medical data retrieval tasks.
• Abstract（参考訳）: x線画像、放射線レポート、その他の医療データを共通空間内のバイナリコードとしてマッピングすることで、臨床医が異種モダリティ(ハッシュに基づくクロスモーダル医療データ検索)から病理関連データを取得するのに役立つ。 しかし、医療データの曖昧なセマンティクスを明らかにする方法として、過剰な情報の邪魔をすることなく、医学的検索精度を高めるための障壁が残っている。 この欠点を回避するため,我々は,ハッシュコードの識別性を効果的に強化する深層教師付き情報ボトルネックハッシュ(dsibh)を提案する。 具体的には、単一モダリティのためのDeep Deterministic Information Bottleneck(Yu, Yu, Principe 2021)をクロスモーダルシナリオに拡張する。 これにより、過剰な情報が低減され、ハッシュコードの識別が容易になる。 DSIBHの精度は, クロスモーダルな医療データ検索作業における最先端技術と比較して高い結果が得られた。

関連論文リスト

• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule Endoscopy Diagnosis [11.82953216903558]
  ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。 深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。 既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
  論文  参考訳（メタデータ） (2024-02-18T06:54:51Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Dynamic Multimodal Information Bottleneck for Multimodality Classification [26.65073424377933]
  本稿では,頑健な融合特徴表現を実現するための動的マルチモーダル情報ボトルネックフレームワークを提案する。 具体的には、情報ボトルネックモジュールは、融合機能におけるタスク関連情報やノイズをフィルタリングするのに役立ちます。 提案手法は最先端の手法を超越し, 大規模ノイズチャネルが存在する場合, 性能を維持できる唯一の手法である。
  論文  参考訳（メタデータ） (2023-11-02T08:34:08Z)
• 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)
• Multimodal Explainability via Latent Shift applied to COVID-19 stratification [0.7831774233149619]
  本稿では,モダリティの再構築とサンプル分類を共同で学習するディープアーキテクチャを提案する。 AIforCOVIDデータセットを使用して、COVID-19パンデミックの文脈でのアプローチを検証する。
  論文  参考訳（メタデータ） (2022-12-28T20:07:43Z)
• MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
  肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。 本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。 テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
  論文  参考訳（メタデータ） (2022-02-09T04:12:30Z)
• Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
  本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。 中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。 on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
  論文  参考訳（メタデータ） (2022-01-07T07:46:01Z)
• Information Bottleneck Attribution for Visual Explanations of Diagnosis and Prognosis [8.325727554619325]
  本稿では,医療応用のための堅牢な視覚的説明手法を提案する。 情報ボトルネックの概念に触発され、ニューラルネットワーク表現をノイズでマスキングして重要な領域を見つけます。
  論文  参考訳（メタデータ） (2021-04-07T02:43:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)

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。