論文の概要: Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis

• arxiv url: http://arxiv.org/abs/2206.13608v1
• Date: Mon, 27 Jun 2022 20:01:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-02 20:49:44.611520
• Title: Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis
• Title（参考訳）: 肺結節診断のための自己説明モデルにおけるアノテーションニーズの低減
• Authors: Jiahao Lu, Chong Yin, Oswin Krause, Kenny Erleben, Michael Bachmann Nielsen, Sune Darkner
• Abstract要約: 肺結節診断のためのデータ/アノテーション効率の高い自己説明法であるcRedAnnoを提案する。 cRedAnnoは、自己教師付きコントラスト学習を導入することで、アノテーションの必要性を大幅に減らす。 学習空間の可視化は,悪性度と結節属性の相関が臨床知識と一致することを示している。
• 参考スコア（独自算出の注目度）: 10.413504599164106
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Feature-based self-explanatory methods explain their classification in terms of human-understandable features. In the medical imaging community, this semantic matching of clinical knowledge adds significantly to the trustworthiness of the AI. However, the cost of additional annotation of features remains a pressing issue. We address this problem by proposing cRedAnno, a data-/annotation-efficient self-explanatory approach for lung nodule diagnosis. cRedAnno considerably reduces the annotation need by introducing self-supervised contrastive learning to alleviate the burden of learning most parameters from annotation, replacing end-to-end training with two-stage training. When training with hundreds of nodule samples and only 1% of their annotations, cRedAnno achieves competitive accuracy in predicting malignancy, meanwhile significantly surpassing most previous works in predicting nodule attributes. Visualisation of the learned space further indicates that the correlation between the clustering of malignancy and nodule attributes coincides with clinical knowledge. Our complete code is open-source available: https://github.com/ludles/credanno.
• Abstract（参考訳）: 特徴に基づく自己説明法は、人間の理解可能な特徴の観点から分類を説明する。 医用画像のコミュニティでは、この臨床的知識のセマンティックマッチングがAIの信頼性を著しく向上させる。 しかし、機能追加のアノテーションのコストは依然として差し迫った問題である。 肺結節診断のためのデータ/アノテーション効率の自己説明的アプローチであるcRedAnnoを提案することでこの問題に対処する。 cRedAnnoは、アノテーションからほとんどのパラメータを学習する負担を軽減し、エンドツーエンドのトレーニングを2段階のトレーニングに置き換えることで、アノテーションの必要性を大幅に減らす。 何百ものノジュールサンプルとアノテーションのわずか1%でトレーニングを行うと、クレダンノは悪性度の予測において競争力のある正確さを達成し、一方、ノジュール属性の予測において以前のほとんどの作業を大幅に上回っている。 学習空間の可視化は悪性腫瘍のクラスタリングと結節属性の相関が臨床知識と一致していることを示している。 私たちの完全なコードは、オープンソースで利用可能です。

関連論文リスト

• Deep Bayesian Active Learning-to-Rank with Relative Annotation for Estimation of Ulcerative Colitis Severity [10.153691271169745]
  本稿では,相対的アノテーションに対して適切なペアを自動的に選択する深ベイズ能動的学習 to ランクを提案する。 本手法は,サンプルのモデル不確実性から,ラベルのないペアに高い学習効率でアノテートする。
  論文  参考訳（メタデータ） (2024-09-08T02:19:40Z)
• XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
  低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
  論文  参考訳（メタデータ） (2023-10-09T08:07:04Z)
• CLIP-Lung: Textual Knowledge-Guided Lung Nodule Malignancy Prediction [34.35547775426628]
  肺結節の予測は、高度なディープラーニング技術と効果的なトリックによって強化されている。 現在の手法は主に1ホットカテゴリーラベルを用いたクロスエントロピー損失で訓練されている。 肺悪性度予測のためのテキスト知識誘導フレームワークであるCLIP-Lungを提案する。
  論文  参考訳（メタデータ） (2023-04-17T06:29:14Z)
• Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
  子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。 我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。 そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-02-21T13:24:40Z)
• cRedAnno+: Annotation Exploitation in Self-Explanatory Lung Nodule Diagnosis [8.582182186207671]
  cRedAnnoは、アノテーションの要求を大幅に減らして、競争性能を達成する。 半教師付き能動学習によるアノテーション活用機構を提案する。 提案手法は10倍のアノテーションで同等あるいはそれ以上高い悪性度予測精度を実現する。
  論文  参考訳（メタデータ） (2022-10-28T12:44:31Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Faithful learning with sure data for lung nodule diagnosis [34.55176532924471]
  結節分類を確実にするための協調学習フレームワークを提案する。 損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。
  論文  参考訳（メタデータ） (2022-02-25T06:33:11Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)
• 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)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。