論文の概要: Supervised Contrastive Learning to Classify Paranasal Anomalies in the Maxillary Sinus

• arxiv url: http://arxiv.org/abs/2209.01937v1
• Date: Mon, 5 Sep 2022 12:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 13:20:37.287878
• Title: Supervised Contrastive Learning to Classify Paranasal Anomalies in the Maxillary Sinus
• Title（参考訳）: 上顎洞の副鼻腔奇形分類のための教師付きコントラスト学習
• Authors: Debayan Bhattacharya, Benjamin Tobias Becker, Finn Behrendt, Marcel Bengs, Dirk Beyersdorff, Dennis Eggert, Elina Petersen, Florian Jansen, Marvin Petersen, Bastian Cheng, Christian Betz, Alexander Schlaefer, Anna Sophie Hoffmann
• Abstract要約: 深層学習技術を用いて,MRI画像から副鼻腔系の異常を自動的に検出できる。 副鼻腔奇形分類における既存の深層学習法は、少なくとも1つの異常を診断するために用いられてきた。 コントラスト損失とクロスエントロピー損失を組み合わせた新しい学習パラダイムを提案する。
• 参考スコア（独自算出の注目度）: 43.850343556811275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Using deep learning techniques, anomalies in the paranasal sinus system can be detected automatically in MRI images and can be further analyzed and classified based on their volume, shape and other parameters like local contrast. However due to limited training data, traditional supervised learning methods often fail to generalize. Existing deep learning methods in paranasal anomaly classification have been used to diagnose at most one anomaly. In our work, we consider three anomalies. Specifically, we employ a 3D CNN to separate maxillary sinus volumes without anomalies from maxillary sinus volumes with anomalies. To learn robust representations from a small labelled dataset, we propose a novel learning paradigm that combines contrastive loss and cross-entropy loss. Particularly, we use a supervised contrastive loss that encourages embeddings of maxillary sinus volumes with and without anomaly to form two distinct clusters while the cross-entropy loss encourages the 3D CNN to maintain its discriminative ability. We report that optimising with both losses is advantageous over optimising with only one loss. We also find that our training strategy leads to label efficiency. With our method, a 3D CNN classifier achieves an AUROC of 0.85 while a 3D CNN classifier optimised with cross-entropy loss achieves an AUROC of 0.66.
• Abstract（参考訳）: 深層学習技術を用いて、副鼻腔系の異常をMRI画像で自動的に検出し、その体積、形状、および局所コントラストなどのパラメータに基づいてさらに分析・分類することができる。 しかし、トレーニングデータに制限があるため、従来の教師付き学習方法は一般化できないことが多い。 副鼻腔奇形分類における既存の深層学習法は、少なくとも1つの異常を診断するために用いられてきた。 私たちの研究では、3つの異常を考慮に入れます。 具体的には3次元CNNを用いて上顎洞ボリュームと異常を伴う上顎洞ボリュームを分離する。 ラベル付きデータセットからロバスト表現を学習するために,コントラスト損失とクロスエントロピー損失を組み合わせた新しい学習パラダイムを提案する。 特に,交叉エントロピー損失が3d cnnの識別能力を維持することを奨励する一方で,上顎洞容積が異常なく2つの異なるクラスターを形成することを奨励する教師付きコントラスト損失を用いる。 双方の損失で最適化することは1つの損失で最適化するよりも有利だと報告する。 また、トレーニング戦略がラベル効率につながることも分かりました。 この方法では、3D CNN分類器は0.85のAUROCを、クロスエントロピー損失で最適化された3D CNN分類器は0.66のAUROCを達成する。

関連論文リスト

• Self-supervised learning for classifying paranasal anomalies in the maxillary sinus [31.45131665942058]
  自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。 上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。 提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2024-04-29T11:14:11Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• An anatomically-informed 3D CNN for brain aneurysm classification with weak labels [0.2010294990327175]
  弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。 当社のアプローチは,データセット生成の非自明な課題に端を発しています。 本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
  論文  参考訳（メタデータ） (2020-11-27T08:00:54Z)
• Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for False Positive Reduction in Pulmonary Nodule Detection [29.597929819870203]
  肺結節検出では、第1段階である候補検出は、疑わしい肺結節を検出することを目的としている。 この課題は,1) 結節数と非結節数の不均衡,2) 非結節数のクラス内多様性により困難である。 本稿では,既存の3次元CNN手法よりも優れた2次元CNNのアンサンブルを用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-09T23:18:52Z)

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。