論文の概要: From Labels to Priors in Capsule Endoscopy: A Prior Guided Approach for
Improving Generalization with Few Labels
- arxiv url: http://arxiv.org/abs/2206.05288v1
- Date: Fri, 10 Jun 2022 12:35:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 13:02:04.220922
- Title: From Labels to Priors in Capsule Endoscopy: A Prior Guided Approach for
Improving Generalization with Few Labels
- Title（参考訳）: カプセル内視鏡におけるラベルから先行まで : 少ないラベルで一般化を改善するための事前指導的アプローチ
- Authors: Anuja Vats, Ahmed Mohammed, Marius Pedersen
- Abstract要約: 我々は、より堅牢で一般化可能な表現を学習するために、より自由なドメイン知識を事前として使用することを提案する。
ラベルの代理として振る舞うことによって、ドメインの優先順位が表現の恩恵を受けることを実験的に示す。
我々の手法はドメインの最先端技術よりも優れている(もしくはギャップを埋める)。
- 参考スコア（独自算出の注目度）: 4.9136996406481135
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The lack of generalizability of deep learning approaches for the automated
diagnosis of pathologies in Wireless Capsule Endoscopy (WCE) has prevented any
significant advantages from trickling down to real clinical practices. As a
result, disease management using WCE continues to depend on exhaustive manual
investigations by medical experts. This explains its limited use despite
several advantages. Prior works have considered using higher quality and
quantity of labels as a way of tackling the lack of generalization, however
this is hardly scalable considering pathology diversity not to mention that
labeling large datasets encumbers the medical staff additionally. We propose
using freely available domain knowledge as priors to learn more robust and
generalizable representations. We experimentally show that domain priors can
benefit representations by acting in proxy of labels, thereby significantly
reducing the labeling requirement while still enabling fully unsupervised yet
pathology-aware learning. We use the contrastive objective along with
prior-guided views during pretraining, where the view choices inspire
sensitivity to pathological information. Extensive experiments on three
datasets show that our method performs better than (or closes gap with) the
state-of-the-art in the domain, establishing a new benchmark in pathology
classification and cross-dataset generalization, as well as scaling to unseen
pathology categories.
- Abstract（参考訳）: ワイヤレスカプセル内視鏡(wce)における病理の自動診断のためのディープラーニングアプローチの一般化性の欠如は、実際の臨床実践への悪影響を防いでいる。
その結果、WCEを用いた疾病管理は、医療専門家による徹底的な手作業による調査に依存し続けている。
これにはいくつかの利点があるが、使用範囲は限られている。
従来の研究では、一般化の欠如に対処する手段として、より高い品質とラベルの量を使用することを検討したが、大きなデータセットのラベル付けが医療スタッフに蓄積される点には言及せず、病理学の多様性を考慮すると、これはほとんどスケーラブルではない。
我々は、より堅牢で一般化可能な表現を学ぶために、事前として自由に利用可能なドメイン知識を使うことを提案する。
ラベルの代用として振る舞うことによって、ドメインの優先順位が表現の恩恵を享受できることを実験的に示す。
我々は,事前訓練中の事前指導された視点と対比目的を用い,その視点選択が病理情報に対する感受性を喚起する。
3つのデータセットに対する大規模な実験により、我々の手法はドメインの最先端技術よりも優れている(もしくはギャップを埋める)ことが示され、病理分類とクロスデータセットの一般化の新しいベンチマークが確立された。
関連論文リスト
- Domain Generalization by Learning from Privileged Medical Imaging
Information [11.838548716479158]
腫瘍の形状や位置などの特権情報を利用することで,現在の最先端技術よりも強力な領域一般化能力が得られることを示す。
本稿では,一般化を必要とする他の医療問題において,特権情報を使用するための強力な出発点を提供する。
論文 参考訳（メタデータ） (2023-11-10T04:09:52Z) - Generalizing to Unseen Domains in Diabetic Retinopathy Classification [8.59772105902647]
糖尿病網膜症分類における分布や領域の特定にモデルを一般化する問題について検討した。
本稿では、視覚変換器の自己蒸留を実現するための、シンプルで効果的な領域一般化(DG)手法を提案する。
本稿では,オープンソースのDR分類データセット上での最先端DG手法の性能について報告する。
論文 参考訳（メタデータ） (2023-10-26T09:11:55Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Deep Learning and Computer Vision for Glaucoma Detection: A Review [0.8379286663107844]
緑内障は世界中で不可逆的な盲目の原因となっている。
コンピュータビジョンとディープラーニングの最近の進歩は、自動評価の可能性を示している。
眼底,光コヒーレンス断層撮影,視野画像を用いたAIによる緑内障の診断に関する最近の研究について調査した。
論文 参考訳（メタデータ） (2023-07-31T09:49:51Z) - Efficient Medical Image Assessment via Self-supervised Learning [27.969767956918503]
高性能なディープラーニング手法は通常、大きな注釈付きトレーニングデータセットに依存する。
本稿では,未ラベルの医用画像データの品質をランク付けするための,新規で効率的なデータアセスメント戦略を提案する。
SSL埋め込み空間の理論的な意味から,我々はMasked Autoencoderを用いて特徴抽出を行う。
論文 参考訳（メタデータ） (2022-09-28T21:39:00Z) - Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions
Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。
wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。
新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文 参考訳（メタデータ） (2020-12-08T02:26:03Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。