論文の概要: SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality
Classification from MRI
- arxiv url: http://arxiv.org/abs/2208.13923v1
- Date: Mon, 29 Aug 2022 23:08:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:50:55.909281
- Title: SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality
Classification from MRI
- Title（参考訳）: sb-ssl : mriによる膝の異常分類のためのスライス型自己教師付きトランスフォーマー
- Authors: Sara Atito, Syed Muhammad Anwar, Muhammad Awais, Josef Kitler
- Abstract要約: 膝関節MRIスキャンを用いて異常の分類を行うためのスライスベース自己教師型ディープラーニングフレームワーク(SBSSL)を提案する。
限られた症例(1000例)では,前十字靭帯断裂を89.17%,AUC0.954。
- 参考スコア（独自算出の注目度）: 5.199134881541244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The availability of large scale data with high quality ground truth labels is
a challenge when developing supervised machine learning solutions for
healthcare domain. Although, the amount of digital data in clinical workflows
is increasing, most of this data is distributed on clinical sites and protected
to ensure patient privacy. Radiological readings and dealing with large-scale
clinical data puts a significant burden on the available resources, and this is
where machine learning and artificial intelligence play a pivotal role.
Magnetic Resonance Imaging (MRI) for musculoskeletal (MSK) diagnosis is one
example where the scans have a wealth of information, but require a significant
amount of time for reading and labeling. Self-supervised learning (SSL) can be
a solution for handling the lack of availability of ground truth labels, but
generally requires a large amount of training data during the pretraining
stage. Herein, we propose a slice-based self-supervised deep learning framework
(SB-SSL), a novel slice-based paradigm for classifying abnormality using knee
MRI scans. We show that for a limited number of cases (<1000), our proposed
framework is capable to identify anterior cruciate ligament tear with an
accuracy of 89.17% and an AUC of 0.954, outperforming state-of-the-art without
usage of external data during pretraining. This demonstrates that our proposed
framework is suited for SSL in the limited data regime.
- Abstract（参考訳）: 高品質な根拠ラベルを備えた大規模データの提供は、医療分野向けの教師付き機械学習ソリューションを開発する上での課題である。
臨床ワークフローにおけるデジタルデータの量は増加しているが、このデータのほとんどは臨床サイトで配布され、患者のプライバシーを確保するために保護されている。
放射線学的読影と大規模な臨床データを扱うことは、利用可能なリソースに大きな負担を与え、ここでは機械学習と人工知能が重要な役割を果たす。
筋骨格(MSK)診断のためのMRI(Magnetic Resonance Imaging)は、スキャンが豊富な情報を持っているが、読み書きにかなりの時間を要する例である。
自己教師付き学習(SSL)は、地上の真理ラベルの可用性の欠如に対処するためのソリューションであるが、一般的には事前訓練期間中に大量のトレーニングデータを必要とする。
本稿では,slice-based self-supervised deep learning framework (sb-ssl)を提案する。
以上の結果から,前十字靭帯断裂を89.17%,AUC 0.954 の限られた症例 (1000例) において, 前十字靭帯断裂の同定が可能であることが示唆された。
これは,提案したフレームワークが限られたデータ構造におけるSSLに適していることを示す。
関連論文リスト
- Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。
マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。
本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
論文 参考訳（メタデータ） (2024-03-08T15:16:15Z) - Self-supervised learning for skin cancer diagnosis with limited training data [0.196629787330046]
自己教師付き学習(SSL)は、限られたトレーニングデータを持つシナリオに対するImageNetの標準教師付き事前トレーニングの代替である。
textitfurther SSL をタスク固有のデータセットで事前トレーニングし、その実装は教師あり転送学習によって動機づけられる。
タスク固有のデータに対するより最小限のSSL事前トレーニングは、限られたラベル付きデータによる医療画像分類タスクにおいて、ImageNet上の大規模なSSL事前トレーニングと同じくらい効果的である。
論文 参考訳（メタデータ） (2024-01-01T08:11:38Z) - JSSL: Joint Supervised and Self-supervised Learning for MRI Reconstruction [7.018974360061121]
Joint Supervised and Self-supervised Learning (JSSL)は、ディープラーニングに基づくMRI再構成アルゴリズムのための新しいトレーニング手法である。
JSSLは、ターゲットデータセットのサブサンプルデータを使用して、自己教師付き学習設定でモデルを同時にトレーニングすることによって動作する。
目的とするデータセットとして, サブサンプリング前立腺, 心臓MRIデータを用いたJSSLの有効性を示す。
論文 参考訳（メタデータ） (2023-11-27T14:23:36Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Enhancing Network Initialization for Medical AI Models Using
Large-Scale, Unlabeled Natural Images [1.883452979588382]
自己教師付き学習(SSL)は胸部X線写真に適用して、堅牢な特徴を学習することができる。
我々は6つの大規模なグローバルデータセットから800,000個の胸部X線写真を用いてアプローチを検証した。
論文 参考訳（メタデータ） (2023-08-15T10:37:13Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳（メタデータ） (2021-05-18T11:37:57Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - 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)
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。