論文の概要: Regression Metric Loss: Learning a Semantic Representation Space for Medical Images

• arxiv url: http://arxiv.org/abs/2207.05231v1
• Date: Tue, 12 Jul 2022 00:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 15:06:49.376838
• Title: Regression Metric Loss: Learning a Semantic Representation Space for Medical Images
• Title（参考訳）: 回帰指標損失:医用画像における意味表現空間の学習
• Authors: Hanqing Chao, Jiajin Zhang, Pingkun Yan
• Abstract要約: 本稿では,レグレッション・メトリ・ロス (RM-Loss) というラベル空間の意味を持つ表現空間を提案する。 冠状動脈カルシウムスコア評価と骨年齢評価という2つの回帰課題の実験は、RM-ロスが、パフォーマンスと解釈可能性の両方において、既存の一般的な回帰損失よりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 13.14535125302501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Regression plays an essential role in many medical imaging applications for estimating various clinical risk or measurement scores. While training strategies and loss functions have been studied for the deep neural networks in medical image classification tasks, options for regression tasks are very limited. One of the key challenges is that the high-dimensional feature representation learned by existing popular loss functions like Mean Squared Error or L1 loss is hard to interpret. In this paper, we propose a novel Regression Metric Loss (RM-Loss), which endows the representation space with the semantic meaning of the label space by finding a representation manifold that is isometric to the label space. Experiments on two regression tasks, i.e. coronary artery calcium score estimation and bone age assessment, show that RM-Loss is superior to the existing popular regression losses on both performance and interpretability. Code is available at https://github.com/DIAL-RPI/Regression-Metric-Loss.
• Abstract（参考訳）: 回帰は、様々な臨床リスクや測定スコアを推定するための多くの医療画像アプリケーションにおいて重要な役割を果たす。 医用画像分類タスクにおける深層ニューラルネットワークのトレーニング戦略と損失関数は研究されてきたが、回帰タスクの選択肢は非常に限られている。 重要な課題の1つは、平均二乗誤差やl1損失のような既存の一般的な損失関数から学んだ高次元特徴表現は、解釈が難しいことである。 本稿では,ラベル空間に等角な表現多様体を見つけることにより,表現空間にラベル空間の意味的意味を付与する新しい回帰距離損失(RM-Loss)を提案する。 冠状動脈カルシウムスコア評価と骨年齢評価という2つの回帰課題の実験は、RM-ロスが、パフォーマンスと解釈可能性の両方において、既存の一般的な回帰損失よりも優れていることを示している。 コードはhttps://github.com/DIAL-RPI/Regression-Metric-Lossで入手できる。

関連論文リスト

• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• Theoretical Characterization of the Generalization Performance of Overfitted Meta-Learning [70.52689048213398]
  本稿では,ガウス的特徴を持つ線形回帰モデルの下で,過剰適合型メタラーニングの性能について検討する。 シングルタスク線形回帰には存在しない新しい興味深い性質が見つかる。 本分析は,各訓練課題における基礎的真理のノイズや多様性・変動が大きい場合には,良心過剰がより重要かつ容易に観察できることを示唆する。
  論文  参考訳（メタデータ） (2023-04-09T20:36:13Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation [1.2289361708127877]
  本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。 我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
  論文  参考訳（メタデータ） (2023-02-08T04:01:42Z)
• Deep Autoregressive Regression [5.257719744958367]
  平均二乗誤差損失を用いた回帰の大幅な制限は、ターゲットの規模に対する感度であることを示す。 本稿では,実数値回帰目標,自己回帰回帰に基づく深層学習モデルの学習手法を提案する。
  論文  参考訳（メタデータ） (2022-11-14T15:22:20Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Learning to segment with limited annotations: Self-supervised pretraining with regression and contrastive loss in MRI [1.419070105368302]
  ディープラーニングモデルを駆動し、異なる表現を学習するための事前学習アプローチを2つ検討する。 磁気共鳴(MR)画像を用いた2つの下流セグメンテーションアプリケーションにおいて,プレトレーニング手法の効果を評価する。 我々は,ラベル付きデータセットが少ない場合に,自己スーパービジョンを用いて事前訓練したDLモデルを同等の性能で微調整できることを示した。
  論文  参考訳（メタデータ） (2022-05-26T02:23:14Z)
• Adaptive Contrast for Image Regression in Computer-Aided Disease Assessment [22.717658723840255]
  深部画像回帰のための最初のコントラスト学習フレームワーク,すなわちAdaConを提案する。 AdaConは、新しいアダプティブマージンコントラスト損失と回帰予測ブランチによる特徴学習ブランチで構成されている。 AdaConの2つの医用画像回帰作業における効果を実証する。
  論文  参考訳（メタデータ） (2021-12-22T07:13:02Z)
• The Earth Mover's Pinball Loss: Quantiles for Histogram-Valued Regression [0.0]
  本稿では,クロスビン情報を組み込んだDeep Learningベースのヒストグラム回帰法を提案する。 本手法は,具体例,サッカー関連課題,天体物理学的コンピュータビジョン問題を用いて検証する。
  論文  参考訳（メタデータ） (2021-06-03T18:00:04Z)
• Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture Detection [58.984536305767996]
  自動椎骨骨折検出のための表現学習型アプローチを提案する。 本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。 一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
  論文  参考訳（メタデータ） (2020-08-18T10:03:45Z)
• Universal Loss Reweighting to Balance Lesion Size Inequality in 3D Medical Image Segmentation [50.63623720394348]
  ネットワークの小さな病変の検出能力を高めるために,損失再重み付け手法を提案する。 Dice Loss, Focal Loss, Asymmetric similarity Lossなど,よく知られた損失関数に対する本手法の利点を報告する。 実験の結果, 逆重み付けは検出品質を著しく向上させる一方で, 最先端のデライン化品質を保っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-20T12:08:22Z)

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。