論文の概要: A Knowledge-based Learning Framework for Self-supervised Pre-training
Towards Enhanced Recognition of Medical Images
- arxiv url: http://arxiv.org/abs/2211.14715v1
- Date: Sun, 27 Nov 2022 03:58:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 15:30:47.457379
- Title: A Knowledge-based Learning Framework for Self-supervised Pre-training
Towards Enhanced Recognition of Medical Images
- Title（参考訳）: 医用画像の認識向上に向けた自己指導型事前学習のための知識ベース学習フレームワーク
- Authors: Wei Chen, Chen Li, Dan Chen, Xin Luo
- Abstract要約: 本研究では,医用画像の認識向上に向けた知識ベース学習フレームワークを提案する。
コントラスト学習と生成学習モデルを相乗化することで、3つのフェーズで機能する。
提案したフレームワークは、AUC/DiceのSimCLRよりも2.08, 1.23, 1.12, 0.76, 1.38ポイント改善された自己教師型ベンチマークで統計的に優れている。
- 参考スコア（独自算出の注目度）: 14.304996977665212
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised pre-training has become the priory choice to establish
reliable models for automated recognition of massive medical images, which are
routinely annotation-free, without semantics, and without guarantee of quality.
Note that this paradigm is still at its infancy and limited by closely related
open issues: 1) how to learn robust representations in an unsupervised manner
from unlabelled medical images of low diversity in samples? and 2) how to
obtain the most significant representations demanded by a high-quality
segmentation? Aiming at these issues, this study proposes a knowledge-based
learning framework towards enhanced recognition of medical images, which works
in three phases by synergizing contrastive learning and generative learning
models: 1) Sample Space Diversification: Reconstructive proxy tasks have been
enabled to embed a priori knowledge with context highlighted to diversify the
expanded sample space; 2) Enhanced Representation Learning: Informative
noise-contrastive estimation loss regularizes the encoder to enhance
representation learning of annotation-free images; 3) Correlated Optimization:
Optimization operations in pre-training the encoder and the decoder have been
correlated via image restoration from proxy tasks, targeting the need for
semantic segmentation. Extensive experiments have been performed on various
public medical image datasets (e.g., CheXpert and DRIVE) against the
state-of-the-art counterparts (e.g., SimCLR and MoCo), and results demonstrate
that: The proposed framework statistically excels in self-supervised
benchmarks, achieving 2.08, 1.23, 1.12, 0.76 and 1.38 percentage points
improvements over SimCLR in AUC/Dice. The proposed framework achieves
label-efficient semi-supervised learning, e.g., reducing the annotation cost by
up to 99% in pathological classification.
- Abstract（参考訳）: 自己教師付き事前訓練は、日常的にアノテーションなし、意味論なし、品質保証なしの大規模な医療画像の自動認識のための信頼できるモデルを確立するための優先的選択となっている。
このパラダイムはまだ初期段階であり、関連するオープンな問題によって制限されています。
1) サンプルの多様性の低いラベルなしの医用画像から教師なしでロバスト表現を学習するにはどうすればよいか?
そして
2)高品質セグメンテーションに要求される最も重要な表現の獲得方法
そこで本研究では,これらの課題に着目し,コントラスト学習と生成学習モデルを組み合わせた3段階の医療画像認識のための知識ベース学習フレームワークを提案する。
1) サンプル空間の多様化: 再構成型プロキシタスクは、拡張されたサンプル空間の多様化のために強調されたコンテキストで事前知識を埋め込むことができる。
2) 拡張表現学習: 情報的ノイズコントラスト推定損失は、エンコーダを正規化し、アノテーションのない画像の表現学習を強化する。
3) 相関最適化: エンコーダとデコーダの事前トレーニングにおける最適化操作は、プロキシタスクからのイメージ復元を通じて関連付けられ、セマンティックセグメンテーションの必要性を目標としている。
さまざまな公開医療画像データセット(例えば、CheXpertやDRIVE)に対して、最先端の医療画像データセット(例えば、SimCLRやMoCo)に対して大規模な実験が行われ、このフレームワークは、AUC/DiceのSimCLRよりも2.8、1.23、1.12、0.76、.38パーセント改善されている。
提案手法は, 病理分類において最大99%のアノテーションコスト削減など, ラベル効率の高い半教師付き学習を実現する。
関連論文リスト
- Cross-model Mutual Learning for Exemplar-based Medical Image Segmentation [25.874281336821685]
Exemplar-based Medical Image(CMEMS)のためのクロスモデル相互学習フレームワーク
外来医用画像のためのクロスモデル相互学習フレームワーク(CMEMS)について紹介する。
論文 参考訳（メタデータ） (2024-04-18T00:18:07Z) - AlignZeg: Mitigating Objective Misalignment for Zero-shot Semantic Segmentation [123.88875931128342]
ゼロショット視覚認識の性能を損なう深刻な問題は、客観的なミスアライメントと呼ばれる。
セグメンテーションパイプラインを包括的に改善したAlignZegという新しいアーキテクチャを提案する。
実験によると、AlignZegはゼロショットセマンティックセマンティックセグメンテーションを著しく強化している。
論文 参考訳（メタデータ） (2024-04-08T16:51:33Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - Localized Region Contrast for Enhancing Self-Supervised Learning in
Medical Image Segmentation [27.82940072548603]
本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。
提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
論文 参考訳（メタデータ） (2023-04-06T22:43:13Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳（メタデータ） (2021-11-22T05:06:12Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳（メタデータ） (2021-04-05T15:50:16Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。