論文の概要: The Intrinsic Manifolds of Radiological Images and their Role in Deep
Learning
- arxiv url: http://arxiv.org/abs/2207.02797v1
- Date: Wed, 6 Jul 2022 16:33:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 15:16:47.081083
- Title: The Intrinsic Manifolds of Radiological Images and their Role in Deep
Learning
- Title(参考訳): 放射線画像の固有多様体とその深層学習における役割
- Authors: Nicholas Konz, Hanxue Gu, Haoyu Dong, Maciej A. Mazurowski
- Abstract要約: 自然画像と放射像の内在多様体次元を比較した。
また,本質的な次元と多種多様なデータセットに対する一般化能力の関係についても検討した。
- 参考スコア(独自算出の注目度): 2.806890214136407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The manifold hypothesis is a core mechanism behind the success of deep
learning, so understanding the intrinsic manifold structure of image data is
central to studying how neural networks learn from the data. Intrinsic dataset
manifolds and their relationship to learning difficulty have recently begun to
be studied for the common domain of natural images, but little such research
has been attempted for radiological images. We address this here. First, we
compare the intrinsic manifold dimensionality of radiological and natural
images. We also investigate the relationship between intrinsic dimensionality
and generalization ability over a wide range of datasets. Our analysis shows
that natural image datasets generally have a higher number of intrinsic
dimensions than radiological images. However, the relationship between
generalization ability and intrinsic dimensionality is much stronger for
medical images, which could be explained as radiological images having
intrinsic features that are more difficult to learn. These results give a more
principled underpinning for the intuition that radiological images can be more
challenging to apply deep learning to than natural image datasets common to
machine learning research. We believe rather than directly applying models
developed for natural images to the radiological imaging domain, more care
should be taken to developing architectures and algorithms that are more
tailored to the specific characteristics of this domain. The research shown in
our paper, demonstrating these characteristics and the differences from natural
images, is an important first step in this direction.
- Abstract(参考訳): 多様体仮説はディープラーニングの成功の核となるメカニズムであり、画像データの内在的多様体構造を理解することは、ニューラルネットワークがデータからどのように学習するかの研究の中心である。
近年, 自然画像の共通領域として固有のデータセット多様体とその学習困難との関係が研究され始めているが, 放射線画像ではそのような研究はほとんど試みられていない。
これについてはここで取り上げます。
まず, 自然画像と放射像の内在多様体次元を比較した。
また,本質的な次元と多種多様なデータセットに対する一般化能力の関係についても検討した。
解析の結果,自然画像データセットは放射線画像よりも固有次元が多いことが判明した。
しかし, 一般化能力と内在的次元性との関係は, 医用画像ではより強く, 学習が困難である内在的特徴を有する放射線画像として説明できる。
これらの結果は、放射線画像が機械学習研究に共通する自然な画像データセットよりも、ディープラーニングを適用することがより難しいという直感に、より根ざしている。
我々は、自然画像のために開発されたモデルを放射線画像領域に直接適用するのではなく、この領域の特定の特性に合わせたアーキテクチャやアルゴリズムの開発にもっと注意する必要があると考えている。
本研究は,これらの特徴と自然画像との相違を実証する上で,この方向への重要な第一歩である。
関連論文リスト
- The Effect of Intrinsic Dataset Properties on Generalization: Unraveling
Learning Differences Between Natural and Medical Images [2.06682776181122]
本稿では、ニューラルネットワークが異なる画像領域からどのように学習するかの相違について検討する。
トレーニングされたネットワークの一般化誤差は、トレーニングセットの内在次元(d_data$)によって増加するのが普通である。
我々は,医療画像データセットの高次内在性ラベルのシャープネス(K_mathcalF$)が,少なくとも部分的には,スケーリングの相違が原因であることが示唆された。
論文 参考訳(メタデータ) (2024-01-16T22:36:23Z) - Exploring the Naturalness of AI-Generated Images [59.04528584651131]
我々は、AI生成画像の視覚的自然性をベンチマークし、評価する第一歩を踏み出した。
本研究では,人間の評価を整列するAGIの自然性を自動予測するジョイント・オブジェクト・イメージ・ナチュラルネス評価器(JOINT)を提案する。
その結果,JOINTは自然性評価において,より主観的に一貫した結果を提供するために,ベースラインを著しく上回ることを示した。
論文 参考訳(メタデータ) (2023-12-09T06:08:09Z) - Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。
より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。
コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
論文 参考訳(メタデータ) (2022-10-15T14:05:03Z) - DELAUNAY: a dataset of abstract art for psychophysical and machine
learning research [0.0]
本稿では,抽象絵画のデータセットであるDELAUNAYについて紹介する。
このデータセットは、自然画像と人工パターンの中間層を提供し、様々なコンテキストで使用することができる。
私たちはDELAUNAYで市販の畳み込みニューラルネットワークをトレーニングし、その興味深い特徴をいくつか強調します。
論文 参考訳(メタデータ) (2022-01-28T13:57:32Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - The Intrinsic Dimension of Images and Its Impact on Learning [60.811039723427676]
自然画像データは従来の画素表現の高次元にもかかわらず低次元構造を示すと広く信じられている。
本研究では,一般的なデータセットに次元推定ツールを適用し,深層学習における低次元構造の役割を検討する。
論文 参考訳(メタデータ) (2021-04-18T16:29:23Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳(メタデータ) (2021-04-11T09:16:29Z) - Context Matters: Graph-based Self-supervised Representation Learning for
Medical Images [21.23065972218941]
2段階の自己監督型表現学習目標を備えた新しいアプローチを紹介します。
グラフニューラルネットワークを用いて、異なる解剖学的領域間の関係を組み込む。
我々のモデルは、画像中の臨床的に関連のある領域を識別できる。
論文 参考訳(メタデータ) (2020-12-11T16:26:07Z) - DeepRetinotopy: Predicting the Functional Organization of Human Visual
Cortex from Structural MRI Data using Geometric Deep Learning [125.99533416395765]
我々は,脳機能と解剖学の複雑な関係を構造的および機能的MRIデータから学習するために,大脳皮質の構造を活用できるディープラーニングモデルを開発した。
我々のモデルは解剖学的特性だけで人間の視覚野の機能的構造を予測することができ、また個人間でのニュアンスの変化を予測することができた。
論文 参考訳(メタデータ) (2020-05-26T04:54:31Z) - How Much Off-The-Shelf Knowledge Is Transferable From Natural Images To
Pathology Images? [36.009216029815555]
近年の研究では、病理画像解析において自然画像から得られる知識を再利用するために転写学習を活用している。
本稿では,特定のレイヤによる知識獲得を定量化するためのフレームワークを提案する。
初期の層によって生成される一般的な表現は、様々な画像分類アプリケーションで伝達された知識を伝達する。
論文 参考訳(メタデータ) (2020-04-24T21:29:10Z)
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。