論文の概要: Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch?

• arxiv url: http://arxiv.org/abs/2210.15091v1
• Date: Thu, 27 Oct 2022 00:32:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 13:20:18.012120
• Title: Segmentation of Multiple Sclerosis Lesions across Hospitals: Learn Continually or Train from Scratch?
• Title（参考訳）: 病院における多発性硬化病変の分別 : スクラッチからの学習か訓練か
• Authors: Enamundram Naga Karthik, Anne Kerbrat, Pierre Labauge, Tobias Granberg, Jason Talbott, Daniel S. Reich, Massimo Filippi, Rohit Bakshi, Virginie Callot, Sarath Chandar, Julien Cohen-Adad
• Abstract要約: 経験の再現は、よく知られた連続学習法である。 我々は,リプレイが肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることを示した。 実験の結果,リプレイは肯定的な後方移動を実現し,破滅的な忘れ込みを軽減できることがわかった。
• 参考スコア（独自算出の注目度）: 8.691839346510116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmentation of Multiple Sclerosis (MS) lesions is a challenging problem. Several deep-learning-based methods have been proposed in recent years. However, most methods tend to be static, that is, a single model trained on a large, specialized dataset, which does not generalize well. Instead, the model should learn across datasets arriving sequentially from different hospitals by building upon the characteristics of lesions in a continual manner. In this regard, we explore experience replay, a well-known continual learning method, in the context of MS lesion segmentation across multi-contrast data from 8 different hospitals. Our experiments show that replay is able to achieve positive backward transfer and reduce catastrophic forgetting compared to sequential fine-tuning. Furthermore, replay outperforms the multi-domain training, thereby emerging as a promising solution for the segmentation of MS lesions. The code is available at this link: https://github.com/naga-karthik/continual-learning-ms
• Abstract（参考訳）: 多発性硬化症 (MS) 病変の分離は困難である。 近年,ディープラーニングに基づく手法がいくつか提案されている。 しかし、ほとんどのメソッドは静的である傾向がある。つまり、大きな特殊なデータセットでトレーニングされた単一のモデルであり、うまく一般化しない。 モデルでは、病変の特性を連続的に構築することにより、異なる病院から順次到着するデータセットを学習する必要がある。 そこで本研究では,8つの異なる病院の複数コントラストデータにまたがるms病変分割の文脈において,よく知られた連続学習手法であるexperience replayについて検討する。 実験の結果,リプレイは連続的な微調整に比べて,前向きの後方移動を達成でき,破滅的忘れを低減できることがわかった。 さらに、リプレイはマルチドメイントレーニングを上回り、ms病変の分節化に有望な解決策として出現する。 コードは、このリンクで入手できる。 https://github.com/naga-karthik/continual-learning-ms

関連論文リスト

• SegHeD: Segmentation of Heterogeneous Data for Multiple Sclerosis Lesions with Anatomical Constraints [1.498084483844508]
  機械学習モデルは、自動MS病変セグメンテーションの大きな可能性を実証している。 SegHeDは、異種データを入力として組み込むことができる、新しいマルチデータセットマルチタスクセグメンテーションモデルである。 SegHeDは5つのMSデータセットで評価され、すべての、新しい、消滅するセグメンテーションで高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-02T17:21:43Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• MultiTalent: A Multi-Dataset Approach to Medical Image Segmentation [1.146419670457951]
  現在のプラクティスでは、モデルトレーニングと教師付き事前トレーニングを、1つまたはいくつかの類似したデータセットに制限している。 我々は多種多様なクラス定義を持つ複数のCTデータセットを活用する手法であるMultiTalentを提案する。
  論文  参考訳（メタデータ） (2023-03-25T11:37:16Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Continual learning of longitudinal health records [0.0]
  縦ICUデータに対する連続学習手法の評価を行った。 短期的忘れを緩和する手法はいくつかあるが、ドメインシフトは大規模なタスクに対して難しい問題である。
  論文  参考訳（メタデータ） (2021-12-22T15:08:45Z)
• Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation [0.46023882211671957]
  医用画像の深層学習は、データ可用性に関する時間的およびプライバシー関連の制約に悩まされている。 本稿では,2つ以上のデータセットの同時可用性を活用して,コンテンツとドメイン間の絡み合いを学習するアーキテクチャを提案する。 本手法は破滅的な忘れ込みを減らし,最先端の継続的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-19T10:55:21Z)
• Revisiting Contrastive Methods for Unsupervised Learning of Visual Representations [78.12377360145078]
  対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。 本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。 現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
  論文  参考訳（メタデータ） (2021-06-10T17:59:13Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• What is Wrong with Continual Learning in Medical Image Segmentation? [1.2020488155038649]
  連続的な学習プロトコルは、医療画像コミュニティから注目を集めている。 連続的な設定では、異なるソースからのデータが順次到着し、各バッチは限られた期間しか利用できない。 このベンチマークは,T2重み付きMR前立腺セグメンテーションのタスクにおいて,2つの一般的な連続学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-21T13:48:37Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。