論文の概要: Can we Adopt Self-supervised Pretraining for Chest X-Rays?

• arxiv url: http://arxiv.org/abs/2211.12931v1
• Date: Wed, 23 Nov 2022 13:06:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 15:34:31.228939
• Title: Can we Adopt Self-supervised Pretraining for Chest X-Rays?
• Title（参考訳）: 胸部x線に対する自己教師付き事前訓練は可能か?
• Authors: Arsh Verma, Makarand Tapaswi
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、胸部X線(CXR)画像における病理の同定に成功している。 本研究では,ラベルのないImageNetやCXRデータセットを,さまざまなアルゴリズムと複数の設定で事前学習する機能について分析する。 i)ラベル付き画像ネットによる教師付きトレーニングは、打倒しにくい強い表現を学習し、(ii)ImageNet(1M画像)での自己教師付き事前トレーニングは、CXRデータセット(100K画像)での自己教師付き事前トレーニングに似たパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 10.529356372817386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest radiograph (or Chest X-Ray, CXR) is a popular medical imaging modality that is used by radiologists across the world to diagnose heart or lung conditions. Over the last decade, Convolutional Neural Networks (CNN), have seen success in identifying pathologies in CXR images. Typically, these CNNs are pretrained on the standard ImageNet classification task, but this assumes availability of large-scale annotated datasets. In this work, we analyze the utility of pretraining on unlabeled ImageNet or Chest X-Ray (CXR) datasets using various algorithms and in multiple settings. Some findings of our work include: (i) supervised training with labeled ImageNet learns strong representations that are hard to beat; (ii) self-supervised pretraining on ImageNet (~1M images) shows performance similar to self-supervised pretraining on a CXR dataset (~100K images); and (iii) the CNN trained on supervised ImageNet can be trained further with self-supervised CXR images leading to improvements, especially when the downstream dataset is on the order of a few thousand images.
• Abstract（参考訳）: 胸部X線 (Chest X-Ray, CXR) は、世界中の放射線技師が心臓や肺の状態を診断するために用いられる、一般的な医用画像モダリティである。 過去10年間、CNN(Convolutional Neural Networks)は、CXR画像の病理を識別することに成功した。 通常、これらのCNNは標準のImageNet分類タスクで事前トレーニングされるが、これは大規模な注釈付きデータセットが利用できることを前提としている。 本研究では,ラベルのないImageNetやChest X-Ray(CXR)データセットの事前トレーニングの有用性を,さまざまなアルゴリズムと複数の設定を用いて分析する。 私たちの研究のいくつかの発見は (i)ラベル付きimagenetによる教師付きトレーニングは、打ち負かすのが難しい強い表現を学ぶ。 (ii)imagenet(~1m画像)における自己教師付きプリトレーニングは、cxrデータセット(~10k画像)上での自己教師付きプリトレーニングと同様のパフォーマンスを示し、 (iii) 教師付きImageNetでトレーニングされたCNNは、特にダウンストリームデータセットが数千のイメージの順にある場合、改善につながる自己教師付きCXRイメージでさらに訓練することができる。

関連論文リスト

• Enhancing Network Initialization for Medical AI Models Using Large-Scale, Unlabeled Natural Images [1.883452979588382]
  自己教師付き学習(SSL)は胸部X線写真に適用して、堅牢な特徴を学習することができる。 我々は6つの大規模なグローバルデータセットから800,000個の胸部X線写真を用いてアプローチを検証した。
  論文  参考訳（メタデータ） (2023-08-15T10:37:13Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Localization supervision of chest x-ray classifiers using label-specific eye-tracking annotation [4.8035104863603575]
  眼球追跡(ET)データは、放射線科医の診療ワークフローにおいて、非侵襲的な方法で収集することができる。 我々は、CXRレポートを作成してCNNを訓練する際、放射線技師から記録されたETデータを使用します。 ETデータから,キーワードの指示に関連付けて抽出し,異常の局所化を監督する。
  論文  参考訳（メタデータ） (2022-07-20T09:26:29Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• An Empirical Study of Remote Sensing Pretraining [117.90699699469639]
  本研究では,空中画像におけるリモートセンシング事前訓練(RSP)の実証的研究を行った。 RSPは、シーン認識タスクで特有のパフォーマンスを提供するのに役立つ。 RSPは、従来のイメージネットがRS画像に事前学習する際のデータ格差を緩和するが、それでもタスクの相違に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2022-04-06T13:38:11Z)
• Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
  医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。 画像を読んでいるときに、放射線科医の視線を記録します。 視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
  論文  参考訳（メタデータ） (2022-04-06T08:31:05Z)
• Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
  自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。 CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。 事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
  論文  参考訳（メタデータ） (2022-02-07T17:59:04Z)
• Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs [0.7734726150561088]
  胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。 ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。 我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-07-14T09:04:20Z)
• Image Embedding and Model Ensembling for Automated Chest X-Ray Interpretation [0.0]
  我々は、自動胸部X線診断モデルを開発するための機械学習アプローチをいくつか提示および研究する。 特に,chexpertデータセット上で複数の畳み込みニューラルネットワーク(cnn)をトレーニングした。 学習したCNNを用いてCXR画像の埋め込みを計算し、2組のツリーベース分類器を訓練した。
  論文  参考訳（メタデータ） (2021-05-05T14:48:59Z)
• CVR-Net: A deep convolutional neural network for coronavirus recognition from chest radiography images [1.869097450593631]
  我々は,CTやX線画像からウイルスを自動認識する,CVR-Netと呼ばれる堅牢なCNNベースのネットワークを提案する。 提案したCVR-Netを3つの異なるデータセットでトレーニングし、テストします。 本モデルでは,タスク1からタスク5に対して,総F1スコアと精度が0.997と0.998,0.963と0.964,0.816と0.820,0.961と0.961,0.780と0.780となる。
  論文  参考訳（メタデータ） (2020-07-21T18:21:29Z)

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。