論文の概要: Generating and Weighting Semantically Consistent Sample Pairs for
Ultrasound Contrastive Learning
- arxiv url: http://arxiv.org/abs/2212.04097v1
- Date: Thu, 8 Dec 2022 06:24:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 14:56:40.635229
- Title: Generating and Weighting Semantically Consistent Sample Pairs for
Ultrasound Contrastive Learning
- Title(参考訳): 超音波コントラスト学習のためのSemantically Consistent Sample Pairの生成と軽量化
- Authors: Yixiong Chen, Chunhui Zhang, Chris H. Q. Ding, Li Liu
- Abstract要約: よく注釈付けされた医療データセットにより、ディープニューラルネットワーク(DNN)は、病変に関連する特徴を抽出する上で強力なパワーを得ることができる。
ImageNetに基づくモデル事前トレーニングは、データ量に制限がある場合に、より良い一般化を得るための一般的なプラクティスである。
本研究では,医療用USアプリケーションの領域ギャップを低減するために,ImageNetの代わりに超音波(US)ドメインを事前訓練する。
- 参考スコア(独自算出の注目度): 10.631361618707214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Well-annotated medical datasets enable deep neural networks (DNNs) to gain
strong power in extracting lesion-related features. Building such large and
well-designed medical datasets is costly due to the need for high-level
expertise. Model pre-training based on ImageNet is a common practice to gain
better generalization when the data amount is limited. However, it suffers from
the domain gap between natural and medical images. In this work, we pre-train
DNNs on ultrasound (US) domains instead of ImageNet to reduce the domain gap in
medical US applications. To learn US image representations based on unlabeled
US videos, we propose a novel meta-learning-based contrastive learning method,
namely Meta Ultrasound Contrastive Learning (Meta-USCL). To tackle the key
challenge of obtaining semantically consistent sample pairs for contrastive
learning, we present a positive pair generation module along with an automatic
sample weighting module based on meta-learning. Experimental results on
multiple computer-aided diagnosis (CAD) problems, including pneumonia
detection, breast cancer classification, and breast tumor segmentation, show
that the proposed self-supervised method reaches state-of-the-art (SOTA). The
codes are available at https://github.com/Schuture/Meta-USCL.
- Abstract(参考訳): 十分な注釈付き医療データセットは、深層ニューラルネットワーク(dnn)が病変関連特徴の抽出において強力な力を得ることができる。
このような大規模でよく設計された医療データセットの構築は、高度な専門知識を必要とするため、コストがかかる。
ImageNetに基づくモデル事前トレーニングは、データ量に制限がある場合に、より良い一般化を得るための一般的なプラクティスである。
しかし、自然画像と医用画像の領域差に悩まされている。
本研究では,医療用USアプリケーションの領域ギャップを低減するために,ImageNetの代わりに超音波(US)ドメイン上でDNNを事前訓練する。
未ラベルのUSビデオに基づいて米国画像表現を学習するために,メタ超音波コントラスト学習(Meta-USCL)というメタラーニングに基づく新しいコントラスト学習手法を提案する。
コントラスト学習のための意味的に一貫したサンプルペアを得るという課題に対処するため,メタ学習に基づく自動サンプル重み付けモジュールとともに,正のペア生成モジュールを提案する。
肺炎の検出,乳癌の分類,乳がんの分節化など,複数のコンピュータ支援診断 (CAD) 問題に対する実験結果から,提案手法が最先端 (SOTA) に達することが示唆された。
コードはhttps://github.com/schuture/meta-usclで入手できる。
関連論文リスト
- Masked LoGoNet: Fast and Accurate 3D Image Analysis for Medical Domain [48.440691680864745]
我々はLoGoNetと呼ばれる新しいニューラルネットワークアーキテクチャを導入する。
LoGoNetは、LKA(Large Kernel Attention)とデュアルエンコーディング戦略を利用して、U字型アーキテクチャに新しい特徴抽出器を統合する。
大規模ラベル付きデータセットの欠如を補うために,3次元画像に適した新しいSSL方式を提案する。
論文 参考訳(メタデータ) (2024-02-09T05:06:58Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳(メタデータ) (2023-10-09T03:00:15Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - 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) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳(メタデータ) (2021-05-28T21:34:04Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on
Medical Images [47.35184075381965]
本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。
提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。
本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
論文 参考訳(メタデータ) (2020-11-15T14:01:24Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳(メタデータ) (2020-10-11T22:01:37Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。