論文の概要: Spiral Contrastive Learning: An Efficient 3D Representation Learning
Method for Unannotated CT Lesions
- arxiv url: http://arxiv.org/abs/2208.10694v1
- Date: Tue, 23 Aug 2022 02:31:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:14:14.845698
- Title: Spiral Contrastive Learning: An Efficient 3D Representation Learning
Method for Unannotated CT Lesions
- Title（参考訳）: スパイラルコントラスト学習:非注釈CT病変に対する効率的な3次元表現学習法
- Authors: Penghua Zhai, Enwei Zhu, Baolian Qi, Xin Wei, Jinpeng Li
- Abstract要約: 本稿では,3次元表現を効率よく表現するスパイラルコントラスト学習(SCL)を提案する。
SCLは、教師なし表現学習のためのLIDC-IDRI、LNDb、TianChiの最先端精度を実現する。
SCLは、他の3D SSLアルゴリズムと比較して計算労力を66.98%削減する。
- 参考スコア（独自算出の注目度）: 3.753298508539919
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computed tomography (CT) samples with pathological annotations are difficult
to obtain. As a result, the computer-aided diagnosis (CAD) algorithms are
trained on small datasets (e.g., LIDC-IDRI with 1,018 samples), limiting their
accuracies and reliability. In the past five years, several works have tailored
for unsupervised representations of CT lesions via two-dimensional (2D) and
three-dimensional (3D) self-supervised learning (SSL) algorithms. The 2D
algorithms have difficulty capturing 3D information, and existing 3D algorithms
are computationally heavy. Light-weight 3D SSL remains the boundary to explore.
In this paper, we propose the spiral contrastive learning (SCL), which yields
3D representations in a computationally efficient manner. SCL first transforms
3D lesions to the 2D plane using an information-preserving spiral
transformation, and then learn transformation-invariant features using 2D
contrastive learning. For the augmentation, we consider natural image
augmentations and medical image augmentations. We evaluate SCL by training a
classification head upon the embedding layer. Experimental results show that
SCL achieves state-of-the-art accuracy on LIDC-IDRI (89.72%), LNDb (82.09%) and
TianChi (90.16%) for unsupervised representation learning. With 10% annotated
data for fine-tune, the performance of SCL is comparable to that of supervised
learning algorithms (85.75% vs. 85.03% on LIDC-IDRI, 78.20% vs. 73.44% on LNDb
and 87.85% vs. 83.34% on TianChi, respectively). Meanwhile, SCL reduces the
computational effort by 66.98% compared to other 3D SSL algorithms,
demonstrating the efficiency of the proposed method in unsupervised
pre-training.
- Abstract（参考訳）: 病理診断を併用したCT検査は困難である。
その結果、コンピュータ支援診断(CAD)アルゴリズムは小さなデータセット(例えば、1018サンプルのLIDC-IDRI)で訓練され、精度と信頼性が制限される。
過去5年間で、2次元(2次元)および3次元(3次元)自己教師付き学習(ssl)アルゴリズムによるct病変の教師なし表現のために、いくつかの研究が調整されている。
2Dアルゴリズムは3D情報の取得が困難であり、既存の3Dアルゴリズムは計算量が多い。
軽量な3D SSLは探求すべき境界である。
本稿では,3次元表現を計算効率良く生成するスパイラルコントラスト学習(scl)を提案する。
SCLはまず情報保存スパイラル変換を用いて3次元病変を2次元平面に変換し、2Dコントラスト学習を用いて変換不変の特徴を学習する。
本研究は,自然画像の増大と医用画像の増大について考察する。
組込み層上での分類ヘッドの訓練によりSCLを評価する。
実験結果から, LIDC-IDRI (89.72%), LNDb (82.09%) および TianChi (90.16%) を用いた教師なし表現学習において, SCL は最先端の精度を達成することが示された。
10%の注釈付きデータで、SCLのパフォーマンスは教師付き学習アルゴリズムに匹敵する(LIDC-IDRIでは85.75%対85.03%、LNDbでは78.20%対73.44%、TianChiでは87.85%対83.34%)。
一方、SCLは他の3D SSLアルゴリズムと比較して66.98%の計算労力を削減し、教師なし事前学習における提案手法の有効性を実証した。
関連論文リスト
- Cross-Dimensional Medical Self-Supervised Representation Learning Based on a Pseudo-3D Transformation [68.60747298865394]
擬似3D変換(CDSSL-P3D)に基づく新しい三次元SSLフレームワークを提案する。
具体的には、2D画像を3Dデータに整合したフォーマットに変換するim2colアルゴリズムに基づく画像変換を提案する。
この変換は2次元および3次元データのシームレスな統合を可能にし、3次元医用画像解析のための相互教師あり学習を容易にする。
論文 参考訳（メタデータ） (2024-06-03T02:57:25Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Self-supervised learning via inter-modal reconstruction and feature
projection networks for label-efficient 3D-to-2D segmentation [4.5206601127476445]
ラベル効率のよい3D-to-2Dセグメンテーションのための新しい畳み込みニューラルネットワーク(CNN)と自己教師付き学習(SSL)手法を提案する。
異なるデータセットの結果から、提案されたCNNは、ラベル付きデータに制限のあるシナリオにおいて、Diceスコアの最大8%まで、アートの状態を著しく改善することが示された。
論文 参考訳（メタデータ） (2023-07-06T14:16:25Z) - Leveraging the Third Dimension in Contrastive Learning [88.17394309208925]
SSL(Self-Supervised Learning)メソッドは、ラベルのないデータでダウンストリームタスクに有用な堅牢な表現を学習する。
これらの拡張は、生物学的ビジョンが没入的な3次元、時間的に連続した環境で起こるという事実を無視している。
SSLフレームワークにディープシグナルを組み込むための2つの異なるアプローチについて検討する。
論文 参考訳（メタデータ） (2023-01-27T15:45:03Z) - 3D-GMIC: an efficient deep neural network to find small objects in large
3D images [41.334361182700164]
3Dイメージングは、臓器解剖に関する空間情報を提供することにより、より正確な診断を可能にする。
AIモデルのトレーニングに3Dイメージを使用することは、その2Dモデルよりも数十から数百倍のピクセルで構成されているため、計算的に困難である。
本稿では,3次元医用画像の完全解像度で計算効率の良い分類を可能にするニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-10-16T21:58:54Z) - 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised
Anomaly Segmentation in Brain MRI [55.97060983868787]
我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。
本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。
入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
論文 参考訳（メタデータ） (2021-09-14T09:17:27Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Uniformizing Techniques to Process CT scans with 3D CNNs for
Tuberculosis Prediction [5.270882613122642]
深部2次元畳み込みニューラルネットワーク(CNN)を用いたボリュームデータにおける医用画像解析への共通アプローチ
個々のスライスを2D CNNで独立に扱うと、意図したタスクのパフォーマンスが低下する深度情報を意図的に破棄する。
上記の問題に対処するためのボリューム均一化手法のセットを評価する。
画像情報のみを活用する全手法に勝るテストセットに対して,曲線下面積 (AUC) と二分分類精度 (ACC) を67.5%と報告した。
論文 参考訳（メタデータ） (2020-07-26T21:53:47Z) - 3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。
提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。
開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
論文 参考訳（メタデータ） (2020-06-06T09:56:58Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳（メタデータ） (2020-02-11T08:24:19Z)
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。