論文の概要: HealNet -- Self-Supervised Acute Wound Heal-Stage Classification
- arxiv url: http://arxiv.org/abs/2206.10536v1
- Date: Tue, 21 Jun 2022 17:09:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:19:42.901070
- Title: HealNet -- Self-Supervised Acute Wound Heal-Stage Classification
- Title（参考訳）: HealNet -- 自己監督型急性創傷治癒段階分類
- Authors: H\'ector Carri\'on, Mohammad Jafari, Hsin-Ya Yang, Roslyn Rivkah,
Marco Rolandi, Marcella Gomez, Narges Norouzi
- Abstract要約: 本稿では,(a)創傷の時間力学の埋め込みの学習,(b)自動段階発見のためのクラスタリング,(c)微調整分類からなる自己指導型学習手法を提案する。
提案された自己教師型フレキシブルな学習フレームワークは、生物学的にインスパイアされ、人間のラベルがゼロの小さなデータセットで訓練されている。
- 参考スコア（独自算出の注目度）: 2.3552433352583155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identifying, tracking, and predicting wound heal-stage progression is a
fundamental task towards proper diagnosis, effective treatment, facilitating
healing, and reducing pain. Traditionally, a medical expert might observe a
wound to determine the current healing state and recommend treatment. However,
sourcing experts who can produce such a diagnosis solely from visual indicators
can be time-consuming and expensive. In addition, lesions may take several
weeks to undergo the healing process, demanding resources to monitor and
diagnose continually. Automating this task can be challenging; datasets that
follow wound progression from onset to maturation are small, rare, and often
collected without computer vision in mind. To tackle these challenges, we
introduce a self-supervised learning scheme composed of (a) learning embeddings
of wound's temporal dynamics, (b) clustering for automatic stage discovery, and
(c) fine-tuned classification. The proposed self-supervised and flexible
learning framework is biologically inspired and trained on a small dataset with
zero human labeling. The HealNet framework achieved high pre-text and
downstream classification accuracy; when evaluated on held-out test data,
HealNet achieved 94.2% pre-text accuracy and 93.8% heal-stage classification
accuracy.
- Abstract（参考訳）: 創傷治癒段階の進行の特定、追跡、予測は、適切な診断、効果的な治療、治癒の促進、痛みの軽減に向けた基本的な課題である。
伝統的に、医療専門家は傷を観察し、現在の治癒状態を特定し、治療を推奨する。
しかし、このような診断を視覚的指標のみから作成できる専門家の育成には、時間と費用がかかる可能性がある。
さらに、病変は治癒過程に数週間を要し、継続的に監視と診断を行うリソースが要求される。
開始から成熟までの傷の進行に従うデータセットは小さく、まれであり、コンピュータビジョンを念頭に置いて収集されることが多い。
そこで我々は,これらの課題に取り組むために,自己教師付き学習方式を提案する。
(a)創の時間力学の埋め込みを学習すること
(b)自動段階発見のためのクラスタリング、及び
(c)微調整分類。
提案された自己教師付き柔軟な学習フレームワークは、生物学的にインスパイアされ、人間のラベルがゼロの小さなデータセットで訓練されている。
healnetフレームワークは、高い事前テキストと下流の分類精度を達成し、保留テストデータで評価すると、94.2%の事前テキスト精度と93.8%のヒールステージ分類精度を達成した。
関連論文リスト
- Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - 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) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Initial Investigations Towards Non-invasive Monitoring of Chronic Wound
Healing Using Deep Learning and Ultrasound Imaging [0.0]
超音波画像における断面創の大きさの深層学習に基づく自動区分けの初期成績を報告する。
我々は,非侵襲的超音波画像の深層学習支援分析が研究の有望な領域であると結論づけた。
論文 参考訳（メタデータ） (2022-01-25T18:12:54Z) - A New Semi-supervised Learning Benchmark for Classifying View and
Diagnosing Aortic Stenosis from Echocardiograms [4.956777496509955]
心エコー(心電図)の解釈に関連する2つの課題に対する半教師付きアプローチを評価するためのベンチマークデータセットを開発した。
我々は,MixMatchと呼ばれる最先端の手法が,両タスクのホールドアウト精度において有望なゲインを達成できることを見出した。
我々は患者レベルの診断予測を追求し、多様なビュータイプの数百の画像に集約する必要がある。
論文 参考訳（メタデータ） (2021-07-30T21:08:12Z) - Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。
本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
論文 参考訳（メタデータ） (2021-05-14T17:49:52Z) - Lifelong Learning based Disease Diagnosis on Clinical Notes [24.146567779632107]
本稿では,医学的実体と文脈の融合,エピソディクス記憶の埋め込み,知識の保持に注意を払うことを提案する。
各種病院から収集した臨床記録を含む新しいベンチマークjarvis-40を樹立した。
提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
論文 参考訳（メタデータ） (2021-02-27T09:23:57Z) - Ontology-driven weak supervision for clinical entity classification in
electronic health records [6.815543071244677]
医用および専門的ルールを用いた弱教師付きエンティティ分類のためのフレームワークであるTroveを提案する。
手書きのメモとは異なり、私たちのアプローチは共有や修正が容易ですが、手動でラベル付けされたトレーニングデータに匹敵するパフォーマンスを提供しています。
論文 参考訳（メタデータ） (2020-08-05T07:42:09Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - A Self-ensembling Framework for Semi-supervised Knee Cartilage Defects
Assessment with Dual-Consistency [40.67137486295487]
本研究は, 重症度分類と病変局所化を含む, 膝軟骨欠損評価のための新しいアプローチを提案する。
自己理解フレームワークは、学生ネットワークと、同じ構造を持つ教師ネットワークとから構成される。
実験により, 膝軟骨欠損の分類と局所化の双方において, 提案手法は自己認識性能を著しく向上させることができることが示された。
論文 参考訳（メタデータ） (2020-05-19T04:47:25Z) - 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)
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。