Fugu-MT 論文翻訳(概要): Robust and Efficient Medical Imaging with Self-Supervision

論文の概要: Robust and Efficient Medical Imaging with Self-Supervision

arxiv url: http://arxiv.org/abs/2205.09723v1
Date: Thu, 19 May 2022 17:34:18 GMT
ステータス: 翻訳完了
システム内更新日: 2022-05-20 12:07:38.647807
Title: Robust and Efficient Medical Imaging with Self-Supervision
Title（参考訳）: 自己スーパービジョンを用いたロバスト・高能率医用イメージング
Abstract要約: 医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
参考スコア（独自算出の注目度）: 80.62711706785834
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent progress in Medical Artificial Intelligence (AI) has delivered systems that can reach clinical expert level performance. However, such systems tend to demonstrate sub-optimal "out-of-distribution" performance when evaluated in clinical settings different from the training environment. A common mitigation strategy is to develop separate systems for each clinical setting using site-specific data [1]. However, this quickly becomes impractical as medical data is time-consuming to acquire and expensive to annotate [2]. Thus, the problem of "data-efficient generalization" presents an ongoing difficulty for Medical AI development. Although progress in representation learning shows promise, their benefits have not been rigorously studied, specifically for out-of-distribution settings. To meet these challenges, we present REMEDIS, a unified representation learning strategy to improve robustness and data-efficiency of medical imaging AI. REMEDIS uses a generic combination of large-scale supervised transfer learning with self-supervised learning and requires little task-specific customization. We study a diverse range of medical imaging tasks and simulate three realistic application scenarios using retrospective data. REMEDIS exhibits significantly improved in-distribution performance with up to 11.5% relative improvement in diagnostic accuracy over a strong supervised baseline. More importantly, our strategy leads to strong data-efficient generalization of medical imaging AI, matching strong supervised baselines using between 1% to 33% of retraining data across tasks. These results suggest that REMEDIS can significantly accelerate the life-cycle of medical imaging AI development thereby presenting an important step forward for medical imaging AI to deliver broad impact.
Abstract（参考訳）: 医療人工知能(AI)の最近の進歩は、臨床専門家レベルのパフォーマンスに到達するシステムを提供している。しかし,これらのシステムでは,トレーニング環境と異なる臨床環境において,最適な「アウト・オブ・ディストリビューション」性能を示す傾向にある。一般的な緩和戦略は、サイト固有のデータ [1] を用いて、臨床環境ごとに別々のシステムを開発することである。しかし、医療データが取得に時間がかかり、[2]を注釈するのにコストがかかるため、これはすぐに非現実的になる。このように、「データ効率の一般化」という問題は、医療AI開発において進行中の困難を呈している。表現学習の進歩は将来性を示すが、その利点は厳密には研究されていない。これらの課題に対処するため、医療画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略REMEDISを提案する。 REMEDISは、大規模教師ありトランスファー学習と自己教師あり学習を組み合わせた汎用的な組み合わせを使用し、タスク固有のカスタマイズをほとんど必要としない。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。 remedisは、強力な教師付きベースラインよりも診断精度が最大11.5%向上し、分布内性能が著しく向上している。より重要なことに、我々の戦略は、医療画像aiの強力なデータ効率の一般化につながり、タスク間でデータを再トレーニングする1%から33%の頻度で、強い教師付きベースラインと一致します。これらの結果から,REMEDISは医療画像AI開発のライフサイクルを著しく加速し,医療画像AIが幅広い影響を与えるための重要な一歩となることが示唆された。

関連論文リスト

One Sequence to Segment Them All: Efficient Data Augmentation for CT and MRI Cross-Domain 3D Spine Segmentation [14.430939194449229]
深層学習に基づく医療画像セグメンテーションは、臨床診断を支援し、新しい治療戦略を開発するためにますます利用されている。しかし、高品質な注釈付きデータの不足や画像プロトコル間の一般化が不十分なため、モデル性能は依然として制限されている。この制限はMRIやCTでは特に顕著であり、モデルは通常1回の取得シーケンスでトレーニングされる。
論文参考訳（メタデータ） (2026-05-04T19:26:29Z)
ReclAIm: A multi-agent framework for degradation-aware performance tuning of medical imaging AI [0.0]
ReclAImは、自律的な監視、評価、微調整が可能なマルチエージェントフレームワークである。 MRI、CT、X線データセット間でモデルの一貫性のあるパフォーマンスをトレーニングし、評価し、維持する。
論文参考訳（メタデータ） (2025-10-19T21:02:01Z)
Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文参考訳（メタデータ） (2025-08-17T21:54:11Z)
Semise: Semi-supervised learning for severity representation in medical image [11.145473299479798]
SEMISEは、自己教師付き学習と教師付き学習を組み合わせた医療画像における表現学習の方法である。ラベル付きデータと拡張データの両方を活用することで、SEMISEはデータの不足という課題に対処し、エンコーダが意味のある特徴を抽出する能力を高める。
論文参考訳（メタデータ） (2025-01-07T15:03:55Z)
Coupling AI and Citizen Science in Creation of Enhanced Training Dataset for Medical Image Segmentation [3.7274206780843477]
我々は、AIとクラウドソーシングを組み合わせた堅牢で汎用的なフレームワークを導入し、医療画像データセットの品質と量を改善する。当社のアプローチでは,多様なクラウドアノテータのグループによる医療画像のラベル付けを効率的に行うことができる,ユーザフレンドリーなオンラインプラットフォームを活用している。我々は、生成AIモデルであるpix2pixGANを使用して、リアルな形態的特徴をキャプチャする合成画像を用いてトレーニングデータセットを拡張する。
論文参考訳（メタデータ） (2024-09-04T21:22:54Z)
STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。 STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文参考訳（メタデータ） (2024-06-28T15:01:23Z)
Full-Scale Indexing and Semantic Annotation of CT Imaging: Boosting FAIRness [0.41942958779358674]
提案手法は, 検索性, アクセシビリティ, インターオペラビリティ, 再利用性を向上させるために, 臨床計算断層撮影(CT)画像シリーズの統合と向上に重点を置いている。メタデータはHL7 FHIRリソースで標準化され、研究プロジェクト間の効率的なデータ認識とデータ交換を可能にする。この研究は、UKSH MeDIC内で堅牢なプロセスを統合することに成功し、23万以上のCT画像シリーズと800万以上のSNOMED CTアノテーションのセマンティックエンリッチ化につながった。
論文参考訳（メタデータ） (2024-06-21T17:55:22Z)
Lightening Anything in Medical Images [23.366303785451684]
我々はUniMIEという名前のUniMIE(Universal Medical Image Enhancement)のための、先駆的なトレーニングフリー拡散モデルを導入する。 UniMIEは、微調整を必要とせず、様々な医用画像モダリティにまたがる教師なしの強化能力を実証している。我々は、13の画像モダリティと15以上の医療タイプを総合的に評価し、他のモダリティ特化モデルやデータ非効率モデルよりも優れた品質、堅牢性、正確性を示す。
論文参考訳（メタデータ） (2024-06-01T05:07:50Z)
OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文参考訳（メタデータ） (2024-01-22T20:17:14Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文参考訳（メタデータ） (2022-09-21T12:30:05Z)
CheXstray: Real-time Multi-Modal Data Concordance for Drift Detection in Medical Imaging AI [1.359138408203412]
医用画像AIドリフトモニタリングワークフローを構築してテストし、同時代の地上真実なしにデータとモデルドリフトを追跡する。主な貢献は,(1)VAEおよび領域特異的統計手法を含む医用画像ドリフト検出のための概念実証である。この研究は、動的医療環境における継続的医療画像AIモデルモニタリングに関連する翻訳ギャップに対処するために重要な意味を持つ。
論文参考訳（メタデータ） (2022-02-06T18:58:35Z)
MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文参考訳（メタデータ） (2021-07-20T07:04:52Z)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)

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。