論文の概要: Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis

• arxiv url: http://arxiv.org/abs/2207.00807v1
• Date: Sat, 2 Jul 2022 11:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 14:37:21.650672
• Title: Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis
• Title（参考訳）: less is more: 甲状腺結節診断のための適応型カリキュラム学習
• Authors: Haifan Gong, Hui Cheng, Yifan Xie, Shuangyi Tan, Guanqi Chen, Fei Chen, Guanbin Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.231954872304314
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Thyroid nodule classification aims at determining whether the nodule is benign or malignant based on a given ultrasound image. However, the label obtained by the cytological biopsy which is the golden standard in clinical medicine is not always consistent with the ultrasound imaging TI-RADS criteria. The information difference between the two causes the existing deep learning-based classification methods to be indecisive. To solve the Inconsistent Label problem, we propose an Adaptive Curriculum Learning (ACL) framework, which adaptively discovers and discards the samples with inconsistent labels. Specifically, ACL takes both hard sample and model certainty into account, and could accurately determine the threshold to distinguish the samples with Inconsistent Label. Moreover, we contribute TNCD: a Thyroid Nodule Classification Dataset to facilitate future related research on the thyroid nodules. Extensive experimental results on TNCD based on three different backbone networks not only demonstrate the superiority of our method but also prove that the less-is-more principle which strategically discards the samples with Inconsistent Label could yield performance gains. Source code and data are available at https://github.com/chenghui-666/ACL/.
• Abstract（参考訳）: 甲状腺結節分類は、特定の超音波画像に基づいて結節が良性であるか悪性かを決定することを目的とする。 しかし, 臨床医学における黄金基準である細胞学的生検で得られたラベルは, TI-RADS基準と必ずしも一致しない。 この2つの情報の違いは、既存のディープラーニングベースの分類方法に不確定性をもたらします。 そこで本研究では,不整合ラベルを用いてサンプルを適応的に発見・廃棄する適応型カリキュラム学習(acl)フレームワークを提案する。 具体的には、ACLはハードサンプルとモデル確実性の両方を考慮して、サンプルを一貫性のないラベルで識別する閾値を正確に決定することができる。 また,甲状腺結節に関する今後の研究を促進するため,甲状腺結節分類データセットであるtncdを寄贈した。 3つの異なるバックボーンネットワークに基づくtncdの広範囲な実験結果が,提案手法の優位性を示すだけでなく,非一貫性ラベルで戦略的にサンプルを破棄するより少ない原則が性能向上をもたらすことを証明した。 ソースコードとデータはhttps://github.com/chenghui-666/ACL/で入手できる。

関連論文リスト

• Thyroid ultrasound diagnosis improvement via multi-view self-supervised learning and two-stage pre-training [14.852699885616218]
  甲状腺結節の分類とセグメンテーション性能を限定的な手動ラベルで改善する多視点コントラスト自己監督法を提案した。 提案手法は,同じ結節の横方向と縦方向のビューを一致させることで,結節領域にもっと焦点を合わせることができる。 また,ImageNetおよび甲状腺超音波画像の事前訓練を利用するために,2段階の事前訓練も導入した。
  論文  参考訳（メタデータ） (2024-02-18T07:56:29Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Grading the Severity of Arteriolosclerosis from Retinal Arterio-venous Crossing Patterns [27.867833878756553]
  網膜動静脈交差状態は,動脈硬化症および全身性高血圧症の臨床的評価において極めて重要である。 医用画像診断における最初期の試みの一つである診断プロセスを支援するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-11-07T13:15:17Z)
• Learning Discriminative Representations for Fine-Grained Diabetic Retinopathy Grading [6.129288755571804]
  糖尿病網膜症は視覚障害の主要な原因の1つである。 病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
  論文  参考訳（メタデータ） (2020-11-04T04:16:55Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)
• 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)
• Synergic Adversarial Label Learning for Grading Retinal Diseases via Knowledge Distillation and Multi-task Learning [29.46896757506273]
  良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。 一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。 本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
  論文  参考訳（メタデータ） (2020-03-24T01:32:04Z)

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。