論文の概要: Contrastive learning for unsupervised medical image clustering and
reconstruction
- arxiv url: http://arxiv.org/abs/2209.12005v1
- Date: Sat, 24 Sep 2022 13:17:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 14:55:06.588894
- Title: Contrastive learning for unsupervised medical image clustering and
reconstruction
- Title(参考訳): 医用画像クラスタリングと再構成のためのコントラスト学習
- Authors: Matteo Ferrante, Tommaso Boccato, Simeon Spasov, Andrea Duggento,
Nicola Toschi
- Abstract要約: 本稿では,非教師なしのオートエンコーダフレームワークを提案する。
提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
- 参考スコア(独自算出の注目度): 0.23624125155742057
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The lack of large labeled medical imaging datasets, along with significant
inter-individual variability compared to clinically established disease
classes, poses significant challenges in exploiting medical imaging information
in a precision medicine paradigm, where in principle dense patient-specific
data can be employed to formulate individual predictions and/or stratify
patients into finer-grained groups which may follow more homogeneous
trajectories and therefore empower clinical trials. In order to efficiently
explore the effective degrees of freedom underlying variability in medical
images in an unsupervised manner, in this work we propose an unsupervised
autoencoder framework which is augmented with a contrastive loss to encourage
high separability in the latent space. The model is validated on (medical)
benchmark datasets. As cluster labels are assigned to each example according to
cluster assignments, we compare performance with a supervised transfer learning
baseline. Our method achieves similar performance to the supervised
architecture, indicating that separation in the latent space reproduces expert
medical observer-assigned labels. The proposed method could be beneficial for
patient stratification, exploring new subdivisions of larger classes or
pathological continua or, due to its sampling abilities in a variation setting,
data augmentation in medical image processing.
- Abstract(参考訳): 大規模ラベル付き医療画像データセットの欠如は、臨床的に確立された疾患クラスと比較して、個人間の大きなばらつきとともに、個別の予測を定式化し、患者をより均一な軌跡を辿りうるよりきめ細かなグループに分類し、治験を増強する、精度の高い医療パラダイムにおいて、医療画像情報を活用する上で重要な課題を提起する。
本研究は, 医用画像における可変性に基づく効果的な自由度を, 教師なしで効率的に探索するために, 対照的な損失を伴って拡張された教師なしオートエンコーダフレームワークを提案する。
このモデルは(医学的な)ベンチマークデータセットで検証される。
クラスタラベルはクラスタ割り当てに応じて各例に割り当てられるので,性能を教師付き転送学習ベースラインと比較する。
本手法は,教師付きアーキテクチャと同様の性能を実現し,潜在空間での分離が専門家の医療観察者のラベルを再現することを示す。
提案手法は, 患者の階層化や, より大きなクラスや病的連続体の新たな下位区分の探索, あるいはそのサンプリング能力から, 医用画像処理におけるデータ拡張に有用である。
関連論文リスト
- Adversarial Vessel-Unveiling Semi-Supervised Segmentation for Retinopathy of Prematurity Diagnosis [9.683492465191241]
広範囲な手動血管アノテーションを必要とせず,ROP研究を進めるための半教師付きセグメンテーションフレームワークを提案する。
ラベル付きデータにのみ依存する従来の手法とは異なり,本手法では不確実性重み付き容器公開モジュールとドメイン対向学習を統合している。
我々は、パブリックデータセットと社内ROPデータセットに対するアプローチを検証し、複数の評価指標で優れたパフォーマンスを示す。
論文 参考訳(メタデータ) (2024-11-14T02:40:34Z) - CohortNet: Empowering Cohort Discovery for Interpretable Healthcare Analytics [23.284528154162977]
本稿では,コホート自己発見モデルであるCohortNetを提案する。
CohortNetは、個々の機能を個別に処理することで、きめ細かい患者の表現を学習する。
それぞれの特徴を異なる状態に分類し、コホート探索戦略を採用する。
論文 参考訳(メタデータ) (2024-06-20T06:12:23Z) - Federated unsupervised random forest for privacy-preserving patient
stratification [0.4499833362998487]
教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。
我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。
本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
論文 参考訳(メタデータ) (2024-01-29T12:04:14Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Explainable Semantic Medical Image Segmentation with Style [7.074258860680265]
ラベル付きデータのみを限定して一般化可能なセグメンテーションを実現するための,完全教師付き生成フレームワークを提案する。
提案手法は,エンド・ツー・エンドの対角訓練を取り入れたセグメンテーション・タスク駆動型識別器と組み合わせた医用画像スタイルを作成する。
完全セマンティックで公開可能なペルビウスデータセットの実験では、我々の手法は他の最先端の手法よりも、シフトに対してより一般化可能であることが示された。
論文 参考訳(メタデータ) (2023-03-10T04:34:51Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Temporal Phenotyping using Deep Predictive Clustering of Disease
Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。
2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文 参考訳(メタデータ) (2020-06-15T20:48:43Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。