論文の概要: Transfer learning with weak labels from radiology reports: application to glioma change detection

• arxiv url: http://arxiv.org/abs/2210.09698v1
• Date: Tue, 18 Oct 2022 09:15:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 14:56:33.264739
• Title: Transfer learning with weak labels from radiology reports: application to glioma change detection
• Title（参考訳）: 放射線診断における弱いラベルを用いた移動学習 : グリオーマ変化検出への応用
• Authors: Tommaso Di Noto, Meritxell Bach Cuadra, Chirine Atat, Eduardo Gamito Teiga, Monika Hegi, Andreas Hottinger, Patric Hagmann, Jonas Richiardi
• Abstract要約: 弱いラベル(不正確だが高速に生成するアノテーション)とトランスファーラーニング(TL)の併用を提案する。 具体的には、ソースドメインとターゲットドメインが同一であるが、ラベルシフトによってタスクが異なるインダクティブTLについて検討する。 低容量VGGと高容量SEResNeXtを比較し,モデルサイズとTLの関係について検討した。
• 参考スコア（独自算出の注目度）: 0.2010294990327175
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creating large annotated datasets represents a major bottleneck for the development of deep learning models in radiology. To overcome this, we propose a combined use of weak labels (imprecise, but fast-to-create annotations) and Transfer Learning (TL). Specifically, we explore inductive TL, where source and target domains are identical, but tasks are different due to a label shift: our target labels are created manually by three radiologists, whereas the source weak labels are generated automatically from textual radiology reports. We frame knowledge transfer as hyperparameter optimization, thus avoiding heuristic choices that are frequent in related works. We investigate the relationship between model size and TL, comparing a low-capacity VGG with a higher-capacity SEResNeXt. The task that we address is change detection in follow-up glioma imaging: we extracted 1693 T2-weighted magnetic resonance imaging difference maps from 183 patients, and classified them into stable or unstable according to tumor evolution. Weak labeling allowed us to increase dataset size more than 3-fold, and improve VGG classification results from 75% to 82% Area Under the ROC Curve (AUC) (p=0.04). Mixed training from scratch led to higher performance than fine-tuning or feature extraction. To assess generalizability, we also ran inference on an open dataset (BraTS-2015: 15 patients, 51 difference maps), reaching up to 76% AUC. Overall, results suggest that medical imaging problems may benefit from smaller models and different TL strategies with respect to computer vision problems, and that report-generated weak labels are effective in improving model performances. Code, in-house dataset and BraTS labels are released.
• Abstract（参考訳）: 大規模な注釈付きデータセットの作成は、放射線学におけるディープラーニングモデルの開発において大きなボトルネックとなる。 これを解決するために,弱いラベル(不正確だが高速に生成するアノテーション)と移動学習(TL)の併用を提案する。 具体的には、ソースドメインとターゲットドメインが同一であるインダクティブTLを探索するが、ラベルシフトによってタスクが異なる: ターゲットラベルは3人の放射線学者によって手動で作成され、ソース弱いラベルはテキストラジオロジーレポートから自動的に生成される。 我々は知識伝達をハイパーパラメータ最適化として捉え、関連する作業で頻繁に発生するヒューリスティックな選択を避ける。 低容量VGGと高容量SEResNeXtを比較し,モデルサイズとTLの関係を検討した。 1693 T2-weighted magnetic resonance imaging difference mapを183例から抽出し,腫瘍の進展に応じて安定あるいは不安定に分類した。 弱ラベル付けにより3倍以上のデータセットサイズが増加し、VGG分類結果が75%から82%に改善された(p=0.04)。 スクラッチからの混合トレーニングは、微調整や特徴抽出よりも高いパフォーマンスをもたらした。 一般化可能性を評価するため,オープンデータセット(BraTS-2015:15,51の差分マップ)で推論を行い,最大76%のAUCに到達した。 その結果, 医用画像の問題点は, コンピュータビジョン問題に関して, より小さなモデルと異なるTL戦略の恩恵を受ける可能性が示唆され, レポート生成弱ラベルはモデルの性能向上に有効であることが示唆された。 コード、社内データセット、BraTSラベルがリリースされている。

関連論文リスト

• Weakly-supervised positional contrastive learning: application to cirrhosis classification [45.63061034568991]
  大規模な医療画像データセットは、低信頼で弱いラベルで安価に注釈を付けることができる。 組織学に基づく診断のような高信頼なラベルへのアクセスは稀で費用がかかる。 提案手法は,効率的な弱教師付き位置対応学習戦略 (WSP) を提案する。
  論文  参考訳（メタデータ） (2023-07-10T15:02:13Z)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Attributed Abnormality Graph Embedding for Clinically Accurate X-Ray Report Generation [7.118069629513661]
  我々は、属性異常グラフ(ATAG)と呼ばれる、新しい微粒化知識グラフ構造を導入する。 ATAGは相互接続された異常ノードと属性ノードで構成されており、異常の詳細をより正確に把握することができる。 提案したATAG-based Deep ModelはSOTA法よりも大きなマージンで優れており, 得られた報告の臨床的精度を向上させることができる。
  論文  参考訳（メタデータ） (2022-07-04T05:32:00Z)
• Severity Quantification and Lesion Localization of COVID-19 on CXR using Vision Transformer [25.144248675578286]
  世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。 重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。 我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
  論文  参考訳（メタデータ） (2021-03-12T03:17:19Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• 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)
• Learning from Multiple Datasets with Heterogeneous and Partial Labels for Universal Lesion Detection in CT [25.351709433029896]
  我々は、Lesion ENSemble(LENS)という、シンプルで効果的な病変検出フレームワークを構築した。 LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習することができる。 我々は4つのパブリックな病変データセットでフレームワークをトレーニングし、DeepLesionで800のサブボリュームを手作業でラベル付けして評価する。
  論文  参考訳（メタデータ） (2020-09-05T17:55:21Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。