論文の概要: Deeply Supervised Layer Selective Attention Network: Towards Label-Efficient Learning for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2209.13844v1
• Date: Wed, 28 Sep 2022 05:36:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 17:14:51.979851
• Title: Deeply Supervised Layer Selective Attention Network: Towards Label-Efficient Learning for Medical Image Classification
• Title（参考訳）: 深層選択的注意ネットワーク : 医用画像分類のためのラベル効率学習に向けて
• Authors: Peng Jiang, Juan Liu, Lang Wang, Zhihui Ynag, Hongyu Dong, Jing Feng
• Abstract要約: 医用画像分類のための層選択注意ネットワーク(LSANet)を提案する。 特徴レベルの監視のために,新しい視覚的注意モジュールであるレイヤ選択注意(LSA, Layer Selective Attention)を提案する。 予測レベルの監視には,階層的な情報相互作用を促進するための知識シナジー戦略を採用する。
• 参考スコア（独自算出の注目度）: 7.225750110226053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Labeling medical images depends on professional knowledge, making it difficult to acquire large amount of annotated medical images with high quality in a short time. Thus, making good use of limited labeled samples in a small dataset to build a high-performance model is the key to medical image classification problem. In this paper, we propose a deeply supervised Layer Selective Attention Network (LSANet), which comprehensively uses label information in feature-level and prediction-level supervision. For feature-level supervision, in order to better fuse the low-level features and high-level features, we propose a novel visual attention module, Layer Selective Attention (LSA), to focus on the feature selection of different layers. LSA introduces a weight allocation scheme which can dynamically adjust the weighting factor of each auxiliary branch during the whole training process to further enhance deeply supervised learning and ensure its generalization. For prediction-level supervision, we adopt the knowledge synergy strategy to promote hierarchical information interactions among all supervision branches via pairwise knowledge matching. Using the public dataset, MedMNIST, which is a large-scale benchmark for biomedical image classification covering diverse medical specialties, we evaluate LSANet on multiple mainstream CNN architectures and various visual attention modules. The experimental results show the substantial improvements of our proposed method over its corresponding counterparts, demonstrating that LSANet can provide a promising solution for label-efficient learning in the field of medical image classification.
• Abstract（参考訳）: 医用画像のラベル付けは専門知識に依存するため,短時間で大量の注釈付医用画像の取得が困難になる。 したがって、小さなデータセットにラベル付きサンプルを適切に利用して高性能なモデルを構築することが、医用画像分類の鍵となる。 本稿では,特徴量および予測値の監視においてラベル情報を包括的に利用するlsanet(deep supervised layer selective attention network)を提案する。 機能レベルの監視のために、低レベルの機能と高レベルの機能をより融合させるために、新しい視覚的注意モジュール、Layer Selective Attention (LSA)を提案し、異なるレイヤの機能選択に焦点を当てる。 lsaは、トレーニングプロセス全体の各補助ブランチの重み付け係数を動的に調整し、深い教師付き学習をさらに強化し、一般化を確実にする重み付けスキームを導入する。 予測レベルの監視には,相互知識マッチングを通じてすべての監督部門間の階層的情報相互作用を促進するための知識シナジー戦略を採用する。 医療分野の多様な分野をカバーする生物医学的画像分類の大規模ベンチマークであるmedmnistを用いて,複数の主流cnnアーキテクチャと各種視覚注意モジュールのlsanetを評価する。 実験の結果, LSANetは, 医用画像分類の分野において, ラベル効率のよい学習方法として有望なソリューションを提供できることを示した。

関連論文リスト

• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• 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)
• Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical Learning [0.6269243524465492]
  頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。 深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。 ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-04-11T00:17:34Z)
• Information Gain Sampling for Active Learning in Medical Image Classification [3.1619162190378787]
  本研究は,ラベル付け対象プールからの最適な画像選択を誘導する情報理論のアクティブラーニングフレームワークを提案する。 2つの異なる医用画像分類データセットで実験を行う。
  論文  参考訳（メタデータ） (2022-08-01T16:25:53Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Cross-level Contrastive Learning and Consistency Constraint for Semi-supervised Medical Image Segmentation [46.678279106837294]
  半教師型医用画像セグメンテーションにおける局所特徴の表現能力を高めるためのクロスレベルコンストラシティブ学習手法を提案する。 クロスレベルなコントラスト学習と一貫性制約の助けを借りて、非ラベル付きデータを効果的に探索してセグメンテーション性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T15:12:11Z)
• DSAL: Deeply Supervised Active Learning from Strong and Weak Labelers for Biomedical Image Segmentation [13.707848142719424]
  アクティブ学習とセミスーパーバイザー学習戦略を組み合わせた深層アクティブセミスーパーバイザー学習フレームワークDSALを提案します。 DSALでは, 深層監視機構に基づく新たな基準が提案され, 高い不確実性を有する情報サンプルを選定する。 提案した基準を用いて,強ラベルと弱ラベルのサンプルを選択し,各アクティブな学習イテレーションにおいて,オラクルラベルと擬似ラベルを同時に生成する。
  論文  参考訳（メタデータ） (2021-01-22T11:31:33Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。