論文の概要: Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step Transfer Learning

• arxiv url: http://arxiv.org/abs/2210.13654v1
• Date: Mon, 24 Oct 2022 23:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:23:52.120110
• Title: Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step Transfer Learning
• Title（参考訳）: 2段階移動学習を用いた内視鏡画像におけるキドニー石の同定
• Authors: Francisco Lopez-Tiro, Juan Pablo Betancur-Rengifo, Arturo Ruiz-Sanchez, Ivan Reyes-Amezcua, Jonathan El-Beze, Jacques Hubert, Michel Daudon, Gilberto Ochoa-Ruiz, Christian Daul
• Abstract要約: 提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。 その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.8431877864777444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowing the cause of kidney stone formation is crucial to establish treatments that prevent recurrence. There are currently different approaches for determining the kidney stone type. However, the reference ex-vivo identification procedure can take up to several weeks, while an in-vivo visual recognition requires highly trained specialists. Machine learning models have been developed to provide urologists with an automated classification of kidney stones during an ureteroscopy; however, there is a general lack in terms of quality of the training data and methods. In this work, a two-step transfer learning approach is used to train the kidney stone classifier. The proposed approach transfers knowledge learned on a set of images of kidney stones acquired with a CCD camera (ex-vivo dataset) to a final model that classifies images from endoscopic images (ex-vivo dataset). The results show that learning features from different domains with similar information helps to improve the performance of a model that performs classification in real conditions (for instance, uncontrolled lighting conditions and blur). Finally, in comparison to models that are trained from scratch or by initializing ImageNet weights, the obtained results suggest that the two-step approach extracts features improving the identification of kidney stones in endoscopic images.
• Abstract（参考訳）: 腎臓結石形成の原因を知ることは再発を予防する治療法を確立する上で重要である。 現在、腎臓石の種類を決定するための異なるアプローチがある。 しかし、参照元vivo識別手順は最大数週間かかるが、vivo内視覚認識には高度に訓練された専門家が必要である。 尿管内視鏡検査中に腎臓結石の自動分類を行うための機械学習モデルが開発されているが、トレーニングデータと方法の品質には一般的に欠如している。 本研究では, 腎臓結石分類器の訓練に2段階トランスファー学習手法を用いる。 提案手法は,CCDカメラ(ex-vivo データセット)で取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像(ex-vivo データセット)からイメージを分類する最終モデルに伝達する。 その結果、類似した情報を持つ異なる領域からの学習特徴は、実環境(例えば、制御されていない照明条件やぼやけなど)の分類を行うモデルの性能向上に役立つことがわかった。 最後に,スクラッチやイメージネットの重みを初期化することによって学習したモデルと比較し,この2段階のアプローチは,内視鏡画像における腎臓結石の同定を改善する特徴を抽出していることが示唆された。

関連論文リスト

• Evaluating the plausibility of synthetic images for improving automated endoscopic stone recognition [0.9480662172227129]
  現在、Morpho-Constitutional Analysis (MCA) は腎臓結石の組織学的診断における事実上のアプローチである。 近年では、内視鏡的石盤認識(ESR)と呼ばれる、そのようなタスクを術中実行することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-09-20T11:19:08Z)
• Improving Prototypical Parts Abstraction for Case-Based Reasoning Explanations Designed for the Kidney Stone Type Recognition [2.5506430540951763]
  尿管鏡による腎結石の同定は、尿学の大きな医学的進歩となる。 近年,尿管鏡画像を用いて腎臓結石のタイプを自動的に認識する深層学習(DL)モデルが提案されている。 このコントリビューションは, 原型部品(PP)を使用し, 局所的および大域的記述子を生成するケースベース推論DLモデルを提案する。
  論文  参考訳（メタデータ） (2024-09-19T16:27:32Z)
• Improving automatic endoscopic stone recognition using a multi-view fusion approach enhanced with two-step transfer learning [1.077541993594101]
  内視鏡画像で見られる腎臓結石の種類を識別するために、より識別可能な物体の特徴を作り出すことを目的としている。 深い特徴融合戦略により, 腎臓結石分類の精度において, 単視抽出バックボーンモデルの結果を6%以上改善した。
  論文  参考訳（メタデータ） (2023-04-06T16:17:28Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• Interpretable Deep Learning Classifier by Detection of Prototypical Parts on Kidney Stones Images [0.9236074230806579]
  現在、関連する前生検(形態構成分析(MCA)として知られる)は、時間がかかり、高価であり、多くの経験を必要とする。 生体内内視鏡による石の認識のための機械学習手法が開発されている。 提案手法は腎臓結石像の分類を提案し, MCA法と類似した説明を提供する。
  論文  参考訳（メタデータ） (2022-06-01T06:32:31Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• On the in vivo recognition of kidney stones using machine learning [1.6273083168563973]
  本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。 また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
  論文  参考訳（メタデータ） (2022-01-21T19:18:42Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。