論文の概要: ULTRA: Uncertainty-aware Label Distribution Learning for Breast Tumor
Cellularity Assessment
- arxiv url: http://arxiv.org/abs/2206.06623v1
- Date: Tue, 14 Jun 2022 06:29:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 15:41:07.164545
- Title: ULTRA: Uncertainty-aware Label Distribution Learning for Breast Tumor
Cellularity Assessment
- Title(参考訳): 乳腺腫瘍細胞性評価のための不確実なラベル分布学習
- Authors: Xiangyu Li, Xinjie Liang, Gongning Luo, Wei Wang, Kuanquan Wang, and
Shuo Li
- Abstract要約: 腫瘍細胞性自動推定のための不確実性認識ラベルdisTRibution leArning (ULTRA) フレームワークを提案する。
提案したULTRAは、まず単一値のTCラベルを離散ラベルに変換し、全ての可能なTCラベル間のあいまいさを効果的にモデル化した。
このネットワークは、予測されたTCラベル分布と地上のTCラベル分布のKulback-Leibler分散を最小化することにより、TCラベル分布を学習した。
- 参考スコア(独自算出の注目度): 10.28976121750698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neoadjuvant therapy (NAT) for breast cancer is a common treatment option in
clinical practice. Tumor cellularity (TC), which represents the percentage of
invasive tumors in the tumor bed, has been widely used to quantify the response
of breast cancer to NAT. Therefore, automatic TC estimation is significant in
clinical practice. However, existing state-of-the-art methods usually take it
as a TC score regression problem, which ignores the ambiguity of TC labels
caused by subjective assessment or multiple raters. In this paper, to
efficiently leverage the label ambiguities, we proposed an Uncertainty-aware
Label disTRibution leArning (ULTRA) framework for automatic TC estimation. The
proposed ULTRA first converted the single-value TC labels to discrete label
distributions, which effectively models the ambiguity among all possible TC
labels. Furthermore, the network learned TC label distributions by minimizing
the Kullback-Leibler (KL) divergence between the predicted and ground-truth TC
label distributions, which better supervised the model to leverage the
ambiguity of TC labels. Moreover, the ULTRA mimicked the multi-rater fusion
process in clinical practice with a multi-branch feature fusion module to
further explore the uncertainties of TC labels. We evaluated the ULTRA on the
public BreastPathQ dataset. The experimental results demonstrate that the ULTRA
outperformed the regression-based methods for a large margin and achieved
state-of-the-art results. The code will be available from
https://github.com/PerceptionComputingLab/ULTRA
- Abstract(参考訳): 乳がんに対するネオアジュバント療法 (NAT) は臨床における一般的な治療法である。
腫瘍層における浸潤性腫瘍の割合を表す腫瘍細胞性(tc)は,乳癌のnatに対する反応を定量化するために広く用いられている。
したがって,tc自動推定は臨床において重要である。
しかし、既存の最先端手法は、通常、TCスコア回帰問題とみなし、主観評価や複数レーダによるTCラベルの曖昧さを無視する。
本稿では,ラベルのあいまいさを効果的に活用するために,自動TC推定のための不確実性認識ラベルdisTRibution leArning (ULTRA) フレームワークを提案する。
提案したULTRAは、まず単一値のTCラベルを離散ラベルに変換し、全ての可能なTCラベル間のあいまいさを効果的にモデル化した。
さらに,このネットワークは,予測されたTCラベル分布と起伏したTCラベル分布とのKL(Kullback-Leibler)のばらつきを最小化することにより,TCラベルの曖昧さを生かして,TCラベル分布を学習した。
さらに, ULTRAは, TCラベルの不確かさを解明するために, マルチブランチ機能融合モジュールを用いて, 臨床実践において多層核融合プロセスを模倣した。
ULTRAをBreastPathQデータセット上で評価した。
実験の結果, ULTRAは回帰に基づく手法よりも高い性能を示し, 最先端の結果を得た。
コードはhttps://github.com/PerceptionComputingLab/ULTRAから入手できる。
関連論文リスト
- Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。
その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
論文 参考訳(メタデータ) (2024-07-23T16:13:27Z) - Self and Mixed Supervision to Improve Training Labels for Multi-Class
Medical Image Segmentation [3.0051720404702675]
転送学習は、ネットワークをトレーニングし、不正確なラベルを逐次改善するために使用される。
微調整工程において、弱いラベルの精度を反復的に改善する。
これらの実験結果から,デュアルブランチネットワークとトランスファーラーニングの組み合わせが,マルチクラスセグメンテーションのためのトレーニングラベルの改善に有効であることが示唆された。
論文 参考訳(メタデータ) (2024-03-06T17:42:02Z) - Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。
提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
論文 参考訳(メタデータ) (2024-02-05T20:08:53Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳(メタデータ) (2022-07-02T11:50:02Z) - Incorporating Semi-Supervised and Positive-Unlabeled Learning for
Boosting Full Reference Image Quality Assessment [73.61888777504377]
フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。
ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。
本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
論文 参考訳(メタデータ) (2022-04-19T09:10:06Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z) - In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label
Selection Framework for Semi-Supervised Learning [53.1047775185362]
Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。
PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。
そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-15T23:29:57Z) - Semi-Supervised Active Learning for COVID-19 Lung Ultrasound
Multi-symptom Classification [13.878896181984262]
本稿では,複雑な特徴をモデル化し,ラベリングコストを削減するため,TSAL法を提案する。
そこで本研究では,多症状多ラベル(MSML)分類ネットワークを提案し,肺症状の識別的特徴について検討した。
678本の動画から6,836枚の画像が採取された71人の臨床患者を含む、COVID19-LUSMSという新しい肺データセットが構築されている。
論文 参考訳(メタデータ) (2020-09-09T10:45:34Z) - 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。