論文の概要: SS-CXR: Multitask Representation Learning using Self Supervised
Pre-training from Chest X-Rays
- arxiv url: http://arxiv.org/abs/2211.12944v1
- Date: Wed, 23 Nov 2022 13:38:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 15:58:11.377107
- Title: SS-CXR: Multitask Representation Learning using Self Supervised
Pre-training from Chest X-Rays
- Title(参考訳): SS-CXR:胸部X線による自己監督型事前訓練によるマルチタスク表現学習
- Authors: Syed Muhammad Anwar, Abhijeet Parida, Sara Atito, Muhammad Awais,
Gustavo Nino, Josef Kitler, Marius George Linguraru
- Abstract要約: 胸部X線(CXR)は肺疾患の診断と予後のための画像モダリティとして広く用いられている。
そこで我々は,グループメイドの自己教師型フレームワークを用いて,CXRからの一般的な表現を学習する,新たな自己教師型パラダイムを提案する。
事前訓練されたモデルは、コビッド19、肺炎の検出、一般的な健康スクリーニングといったドメイン固有のタスクのために微調整される。
- 参考スコア(独自算出の注目度): 4.397622801930704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chest X-rays (CXRs) are a widely used imaging modality for the diagnosis and
prognosis of lung disease. The image analysis tasks vary. Examples include
pathology detection and lung segmentation. There is a large body of work where
machine learning algorithms are developed for specific tasks. A significant
recent example is Coronavirus disease (covid-19) detection using CXR data.
However, the traditional diagnostic tool design methods based on supervised
learning are burdened by the need to provide training data annotation, which
should be of good quality for better clinical outcomes. Here, we propose an
alternative solution, a new self-supervised paradigm, where a general
representation from CXRs is learned using a group-masked self-supervised
framework. The pre-trained model is then fine-tuned for domain-specific tasks
such as covid-19, pneumonia detection, and general health screening. We show
that the same pre-training can be used for the lung segmentation task. Our
proposed paradigm shows robust performance in multiple downstream tasks which
demonstrates the success of the pre-training. Moreover, the performance of the
pre-trained models on data with significant drift during test time proves the
learning of a better generic representation. The methods are further validated
by covid-19 detection in a unique small-scale pediatric data set. The
performance gain in accuracy (~25\%) is significant when compared to a
supervised transformer-based method. This adds credence to the strength and
reliability of our proposed framework and pre-training strategy.
- Abstract(参考訳): 胸部X線(CXR)は肺疾患の診断と予後のための画像モダリティとして広く用いられている。
画像解析のタスクは様々です。
例えば、病理診断や肺分画がある。
機械学習アルゴリズムが特定のタスクのために開発される大規模な作業がある。
最近の顕著な例は、CXRデータを用いたコロナウイルス(covid-19)の検出である。
しかしながら、教師付き学習に基づく従来の診断ツール設計手法は、より良い臨床結果を得るために良質なトレーニングデータアノテーションの必要性によって負担されている。
本稿では,cxrsの汎用表現をグループマスク型自己教師付きフレームワークを用いて学習する,新しい自己教師付きパラダイムを提案する。
事前訓練されたモデルは、コビッド19、肺炎の検出、一般的な健康スクリーニングといったドメイン固有のタスクのために微調整される。
肺の分節作業には,同じ事前訓練が有効であることを示す。
提案手法は,複数のダウンストリームタスクにおいて,事前学習の成功を示すロバストな性能を示す。
さらに、テスト期間中に大きなドリフトを持つデータ上での事前学習モデルの性能は、より汎用的な表現を学ぶことを証明している。
これらの方法は、ユニークな小規模の小児用データセットにおいて、covid-19検出によってさらに検証される。
教師付き変圧器方式と比較すると, 精度 (~25\%) は有意であった。
これは、提案するフレームワークの強度と信頼性と事前学習戦略に信頼性を与えます。
関連論文リスト
- MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳(メタデータ) (2023-10-03T12:19:19Z) - DINO-CXR: A self supervised method based on vision transformer for chest
X-ray classification [0.9883261192383611]
本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。
肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
論文 参考訳(メタデータ) (2023-08-01T11:58:49Z) - Deep reproductive feature generation framework for the diagnosis of
COVID-19 and viral pneumonia using chest X-ray images [0.0]
最先端の8つの深層畳み込みニューラルネットワーク(CNN)とオートエンコーダを用いた2段階特徴抽出フレームワークを提案する。
X線スキャンは4つの同じ大きさのセクションに分けられ、深層学習CNNによって分析される。
隠れた3つの層を持つオートエンコーダは、CNNの出力から生殖機能を抽出するために訓練される。
論文 参考訳(メタデータ) (2023-04-20T23:52:21Z) - Vision Transformer-based Model for Severity Quantification of Lung
Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。
本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文 参考訳(メタデータ) (2023-03-18T12:38:23Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - 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) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳(メタデータ) (2020-08-04T07:41:15Z) - BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray
dataset [6.5800499500032705]
我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。
当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。
私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
論文 参考訳(メタデータ) (2020-06-08T13:55:58Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Attention U-Net Based Adversarial Architectures for Chest X-ray Lung
Segmentation [0.0]
本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。
本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。
これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
論文 参考訳(メタデータ) (2020-03-23T14:45:48Z)
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。