論文の概要: Self-Supervised Learning with Limited Labeled Data for Prostate Cancer
Detection in High Frequency Ultrasound
- arxiv url: http://arxiv.org/abs/2211.00527v1
- Date: Tue, 1 Nov 2022 15:28:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 14:35:41.176550
- Title: Self-Supervised Learning with Limited Labeled Data for Prostate Cancer
Detection in High Frequency Ultrasound
- Title（参考訳）: 高周波超音波による前立腺癌検出のためのラベル付きデータを用いた自己監督学習
- Authors: Paul F. R. Wilson, Mahdi Gilany, Amoon Jamzad, Fahimeh Fooladgar, Minh
Nguyen Nhat To, Brian Wodlinger, Purang Abolmaesumi, Parvin Mousavi
- Abstract要約: 非癌組織から癌を分類するために,マイクロ超音波データに自己教師あり表現学習を適用した。
我々の知る限りでは、超音波データを用いた前立腺がん検出のためのエンドツーエンドの自己教師付き学習アプローチとして、これが初めて成功した。
- 参考スコア（独自算出の注目度）: 7.387029659056081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning-based analysis of high-frequency, high-resolution
micro-ultrasound data shows great promise for prostate cancer detection.
Previous approaches to analysis of ultrasound data largely follow a supervised
learning paradigm. Ground truth labels for ultrasound images used for training
deep networks often include coarse annotations generated from the
histopathological analysis of tissue samples obtained via biopsy. This creates
inherent limitations on the availability and quality of labeled data, posing
major challenges to the success of supervised learning methods. On the other
hand, unlabeled prostate ultrasound data are more abundant. In this work, we
successfully apply self-supervised representation learning to micro-ultrasound
data. Using ultrasound data from 1028 biopsy cores of 391 subjects obtained in
two clinical centres, we demonstrate that feature representations learnt with
this method can be used to classify cancer from non-cancer tissue, obtaining an
AUROC score of 91% on an independent test set. To the best of our knowledge,
this is the first successful end-to-end self-supervised learning approach for
prostate cancer detection using ultrasound data. Our method outperforms
baseline supervised learning approaches, generalizes well between different
data centers, and scale well in performance as more unlabeled data are added,
making it a promising approach for future research using large volumes of
unlabeled data.
- Abstract（参考訳）: 深層学習に基づく高周波・高分解能マイクロ超音波データの解析は前立腺癌検出に有望である。
超音波データの解析に対する従来のアプローチは、主に教師付き学習パラダイムに従っている。
深層ネットワークの訓練に用いられる超音波画像の根拠ラベルには、生検で得られた組織サンプルの病理組織学的解析から得られる粗い注釈が含まれていることが多い。
これによりラベル付きデータの可用性と品質に固有の制限が生まれ、教師付き学習方法の成功に大きな課題が生じた。
一方で、ラベルのない前立腺超音波データは豊富である。
本研究では,マイクロ超音波データに自己教師付き表現学習を適用した。
2つの臨床センターで得られた391名の被験者1028名の生検コアから得られた超音波データを用いて,この方法で学習した特徴表現を非癌組織から癌を分類し,AUROCスコアが91%であることを示す。
我々の知る限りでは、超音波データを用いた前立腺がん検出のためのエンドツーエンドの自己教師付き学習アプローチとして、これが初めて成功した。
提案手法は, ベースライン教師あり学習手法より優れ, 異なるデータセンター間をよく一般化し, ラベルなしデータの追加による性能向上を実現し, 大量のラベルなしデータを用いた将来の研究に有望なアプローチとなる。
関連論文リスト
- TRUSWorthy: Toward Clinically Applicable Deep Learning for Confident Detection of Prostate Cancer in Micro-Ultrasound [3.8208601340697386]
信頼性の高いPCa検出システムであるTRUSWorthyを提案する。
我々のパイプラインは、自己教師付き学習、トランスフォーマーを用いたマルチインスタンス学習集約、ランダムアンサンプブーピング、およびアンサンブルを統合している。
本手法は,従来の最先端のディープラーニング手法よりも精度と不確実性の校正に優れていた。
論文 参考訳（メタデータ） (2025-02-20T16:31:24Z) - Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
本稿では, 超音波を応用した非教師型深層学習手法を提案する。
我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。
スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
論文 参考訳（メタデータ） (2024-08-04T14:30:14Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer
Radiation Treatment from Clinically Available Annotations [0.0]
子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。
我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。
そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-02-21T13:24:40Z) - Adnexal Mass Segmentation with Ultrasound Data Synthesis [3.614586930645965]
教師付き学習を用いて, 副眼窩腫瘤の分節が可能であることを実証した。
そこで我々は, 新たな病理特異的データ合成装置を応用し, その基礎的真理セグメンテーションを生かした医用画像を作成する。
提案手法は,nU-Netベースラインアプローチと比較して最大8%向上するなど,すべてのクラスで最高のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2022-09-25T19:24:02Z) - Towards Confident Detection of Prostate Cancer using High Resolution
Micro-ultrasound [7.826781688190151]
経直腸超音波ガイド下生検における前立腺癌の診断は困難である。
マイクロ超音波による高周波超音波イメージングの最近の進歩は、高分解能で組織イメージングの能力を劇的に高めている。
本研究の目的は,マイクロ超音波ガイド下前立腺癌生検を対象とする,堅牢な深層学習モデルの開発である。
論文 参考訳（メタデータ） (2022-07-21T14:00:00Z) - Federated Learning with Research Prototypes for Multi-Center MRI-based
Detection of Prostate Cancer with Diverse Histopathology [3.8613414331251423]
前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。
前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。
我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
論文 参考訳（メタデータ） (2022-06-11T21:28:17Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。