論文の概要: Compound Figure Separation of Biomedical Images: Mining Large Datasets
for Self-supervised Learning
- arxiv url: http://arxiv.org/abs/2208.14357v1
- Date: Tue, 30 Aug 2022 16:02:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-08-31 13:15:33.839520
- Title: Compound Figure Separation of Biomedical Images: Mining Large Datasets
for Self-supervised Learning
- Title（参考訳）: 生体画像の複合図形分離:自己教師付き学習のための大規模データセットのマイニング
- Abstract要約: 本稿では,リソースの広範なバウンディングボックスアノテーションの必要性を最小限に抑えるシミュレーションベースのトレーニングフレームワークを提案する。
また,合成図形分離に最適化された新たなサイドロスを提案する。
本研究は,複合画像分離による自己教師あり学習の有効性を評価する最初の研究である。
- 参考スコア（独自算出の注目度）: 12.445324044675116
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid development of self-supervised learning (e.g., contrastive
learning), the importance of having large-scale images (even without
annotations) for training a more generalizable AI model has been widely
recognized in medical image analysis. However, collecting large-scale
task-specific unannotated data at scale can be challenging for individual labs.
Existing online resources, such as digital books, publications, and search
engines, provide a new resource for obtaining large-scale images. However,
published images in healthcare (e.g., radiology and pathology) consist of a
considerable amount of compound figures with subplots. In order to extract and
separate compound figures into usable individual images for downstream
learning, we propose a simple compound figure separation (SimCFS) framework
without using the traditionally required detection bounding box annotations,
with a new loss function and a hard case simulation. Our technical contribution
is four-fold: (1) we introduce a simulation-based training framework that
minimizes the need for resource extensive bounding box annotations; (2) we
propose a new side loss that is optimized for compound figure separation; (3)
we propose an intra-class image augmentation method to simulate hard cases; and
(4) to the best of our knowledge, this is the first study that evaluates the
efficacy of leveraging self-supervised learning with compound image separation.
From the results, the proposed SimCFS achieved state-of-the-art performance on
the ImageCLEF 2016 Compound Figure Separation Database. The pretrained
self-supervised learning model using large-scale mined figures improved the
accuracy of downstream image classification tasks with a contrastive learning
algorithm. The source code of SimCFS is made publicly available at
https://github.com/hrlblab/ImageSeperation.
- Abstract（参考訳）: 自己教師付き学習(例えば、対照的な学習)の急速な発展により、より一般化可能なAIモデルを訓練するための大規模な画像を持つことの重要性は、医用画像解析において広く認識されている。
しかし、大規模タスク固有の無注釈データを大規模に収集することは、個々の研究室にとって困難である。
デジタル書籍、出版物、検索エンジンなどの既存のオンラインリソースは、大規模な画像を取得するための新しいリソースを提供する。
しかし、医療(例えば放射線学や病理学)で公開された画像は、サブプロットを持つ大量の複合人物で構成されている。
下流学習に使用可能な個々の画像から複合図形を抽出・分離するために,従来の検出バウンディングボックスアノテーションを使わずに簡易な複合図形分離(simcfs)フレームワークを提案する。
我々は,(1)資源の広範な境界付きボックスアノテーションの必要性を最小限に抑えるシミュレーションベースのトレーニングフレームワークを導入すること,(2)複合図形分離に最適化された新たなサイドロスを提案すること,(3)ハードケースをシミュレートするクラス内画像拡張手法を提案すること,(4)我々の知る限りでは,複合画像分離による自己教師付き学習の有効性を評価する最初の研究である。
提案したSimCFSは、ImageCLEF 2016 Compound Figure Separation Database上で最先端の性能を達成した。
大規模マイニング図を用いた事前学習学習モデルにより、コントラスト学習アルゴリズムを用いて下流画像分類作業の精度が向上した。
SimCFSのソースコードはhttps://github.com/hrlblab/ImageSeperationで公開されている。
関連論文リスト
- A Multimodal 3D Foundation Model for Light Sheet Fluorescence Microscopy Enables Few-Shot Segmentation, Classification, and Deblurring [4.068715668083084]
本研究では,LSMデータに対する3次元基礎モデルを提案する。
我々は、マスク付き再構成と画像テキストアライメントを共同で最適化することで、転送可能なボリューム表現を学習する。
論文 参考訳（メタデータ） (2026-05-25T16:50:58Z) - SeLIP: Similarity Enhanced Contrastive Language Image Pretraining for Multi-modal Head MRI [6.714491893348051]
画像とそれに対応する放射線学的所見の対比学習を用いて, マルチモデル頭部MRIの基礎モデルを構築することを提案する。
提案した類似性強化コントラスト言語画像事前学習(SeLIP)は,より有用な特徴を効果的に抽出することができる。
論文 参考訳（メタデータ） (2025-03-25T16:09:45Z) - Scaling Laws of Synthetic Images for Model Training ... for Now [54.43596959598466]
本研究では, 合成画像のスケーリング法則について, テクスト・ツー・イメージ・モデルの現状から検討した。
合成画像は、CLIPトレーニングの実際の画像と似ているが、やや効果の低いスケーリング傾向を示す。
論文 参考訳（メタデータ） (2023-12-07T18:59:59Z) - Self-Supervised Pre-Training with Contrastive and Masked Autoencoder
Methods for Dealing with Small Datasets in Deep Learning for Medical Imaging [8.34398674359296]
医用画像の深層学習は、診断ミスのリスクを最小限に抑え、放射線医の作業量を減らし、診断を加速する可能性がある。
このようなディープラーニングモデルのトレーニングには,すべてのトレーニングサンプルに対するアノテーションを備えた,大規模かつ正確なデータセットが必要です。
この課題に対処するために、ディープラーニングモデルは、自己教師付き学習の分野からのメソッドを使用してアノテーションなしで、大規模な画像データセット上で事前トレーニングすることができる。
論文 参考訳（メタデータ） (2023-08-12T11:31:01Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Physiology-based simulation of the retinal vasculature enables
annotation-free segmentation of OCT angiographs [8.596819713822477]
提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。
提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
論文 参考訳（メタデータ） (2022-07-22T14:22:22Z) - Exemplar Learning for Medical Image Segmentation [38.61378161105941]
医用画像セグメンテーションのためのempllar Learning-based Synthesis Net (ELSNet) フレームワークを提案する。
ELSNetはイメージセグメンテーションのための2つの新しいモジュールを導入している。
いくつかの臓器セグメント化データセットの実験を行い,詳細な解析を行った。
論文 参考訳（メタデータ） (2022-04-03T00:10:06Z) - Meta Internal Learning [88.68276505511922]
単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。
本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。
以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:27:38Z) - Self-Supervised Generative Style Transfer for One-Shot Medical Image
Segmentation [10.634870214944055]
医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。
本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。
我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
論文 参考訳（メタデータ） (2021-10-05T15:28:42Z) - Compound Figure Separation of Biomedical Images with Side Loss [7.037505559439388]
医用画像解析では、注釈のないデータであっても個々の研究室で入手することは困難である。
画像からの弱い分類アノテーションを用いた簡易な複合図形分離(SimCFS)フレームワークを提案する。
SimCFSはImageCLEF 2016 Compound Figure Separation Databaseで新しい最先端のパフォーマンスを達成した。
論文 参考訳（メタデータ） (2021-07-19T07:16:32Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。