論文の概要: Weakly Supervised Learning Significantly Reduces the Number of Labels
Required for Intracranial Hemorrhage Detection on Head CT
- arxiv url: http://arxiv.org/abs/2211.15924v1
- Date: Tue, 29 Nov 2022 04:42:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 16:21:04.397360
- Title: Weakly Supervised Learning Significantly Reduces the Number of Labels
Required for Intracranial Hemorrhage Detection on Head CT
- Title（参考訳）: 頭部CTにおける頭蓋内出血検出に必要なラベル数について
- Authors: Jacopo Teneggi, Paul H. Yi, Jeremias Sulam
- Abstract要約: マシンラーニングパイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。
本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきか,という課題について考察する。
強い監督(ローカルな画像レベルのアノテーションで学ぶこと)と弱い監督(グローバルな検査レベルのラベルだけで学ぶこと)は同等のパフォーマンスを達成する。
- 参考スコア（独自算出の注目度）: 7.713240800142863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern machine learning pipelines, in particular those based on deep learning
(DL) models, require large amounts of labeled data. For classification
problems, the most common learning paradigm consists of presenting labeled
examples during training, thus providing strong supervision on what constitutes
positive and negative samples. This constitutes a major obstacle for the
development of DL models in radiology--in particular for cross-sectional
imaging (e.g., computed tomography [CT] scans)--where labels must come from
manual annotations by expert radiologists at the image or slice-level. These
differ from examination-level annotations, which are coarser but cheaper, and
could be extracted from radiology reports using natural language processing
techniques. This work studies the question of what kind of labels should be
collected for the problem of intracranial hemorrhage detection in brain CT. We
investigate whether image-level annotations should be preferred to
examination-level ones. By framing this task as a multiple instance learning
problem, and employing modern attention-based DL architectures, we analyze the
degree to which different levels of supervision improve detection performance.
We find that strong supervision (i.e., learning with local image-level
annotations) and weak supervision (i.e., learning with only global
examination-level labels) achieve comparable performance in examination-level
hemorrhage detection (the task of selecting the images in an examination that
show signs of hemorrhage) as well as in image-level hemorrhage detection
(highlighting those signs within the selected images). Furthermore, we study
this behavior as a function of the number of labels available during training.
Our results suggest that local labels may not be necessary at all for these
tasks, drastically reducing the time and cost involved in collecting and
curating datasets.
- Abstract（参考訳）: 現代の機械学習パイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。
分類問題では、最も一般的な学習パラダイムは、トレーニング中にラベル付きサンプルを提示することで、ポジティブなサンプルとネガティブなサンプルを構成するものに対する強い監督を提供する。
これは放射線学におけるdlモデルの開発における大きな障害であり、特に断面イメージング(例えばctスキャン)において、画像やスライスレベルにおける専門家の放射線学者による手動アノテーションによるラベルが必要となる。
これらは、より粗いが安価な検査レベルのアノテーションと異なり、自然言語処理技術を用いて放射線学的レポートから抽出することができる。
本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきかを考察する。
画像レベルのアノテーションが検査レベルのアノテーションよりも望ましいかどうかを検討する。
このタスクを複数のインスタンス学習問題とみなし、現代の注目に基づくDLアーキテクチャを採用することにより、様々なレベルの監視が検出性能を向上する度合いを分析する。
検査レベルの出血検出(出血の兆候を示す検査において画像を選択するタスク)や画像レベルの出血検出(選択された画像内のサインのハイライト)において、強い監督(局所的な画像レベルのアノテーションによる学習)と弱い監督(グローバルな検査レベルのラベルのみでの学習)が同等のパフォーマンスを発揮することがわかった。
さらに,この動作を,トレーニング中に利用可能なラベル数の関数として検討した。
その結果,これらのタスクではローカルラベルは不要であり,データセットの収集とキュレーションに関わる時間とコストを大幅に削減できる可能性が示唆された。
関連論文リスト
- 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - A Histopathology Study Comparing Contrastive Semi-Supervised and Fully
Supervised Learning [0.0]
計算病理学におけるラベル付け負担を軽減するための自己教師型学習について検討する。
ImageNetの事前学習ネットワークは,Barlow Twinsを用いた自己教師型表現よりも優れていた。
論文 参考訳（メタデータ） (2021-11-10T19:04:08Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。
主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。
また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
論文 参考訳（メタデータ） (2021-08-25T11:45:40Z) - 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) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - A Teacher-Student Framework for Semi-supervised Medical Image
Segmentation From Mixed Supervision [62.4773770041279]
そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。
我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
論文 参考訳（メタデータ） (2020-10-23T07:58:20Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。