論文の概要: Finding the Most Transferable Tasks for Brain Image Segmentation
- arxiv url: http://arxiv.org/abs/2301.00934v1
- Date: Tue, 3 Jan 2023 02:53:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 13:55:07.379153
- Title: Finding the Most Transferable Tasks for Brain Image Segmentation
- Title(参考訳): 脳画像分割のための最も移動可能なタスクの探索
- Authors: Yicong Li, Yang Tan, Jingyun Yang, Yang Li, Xiao-Ping Zhang
- Abstract要約: 本稿では、最適なソースタスクを選択するための事前知識ガイドと転送可能性に基づくフレームワークを提案する。
医用画像のセグメンテーションタスクに最先端の分析可能性推定指標を適用した。
脳の物質、脳腫瘍、ホワイトマターの超強度セグメンテーションデータセットに関する我々の実験では、異なるタスクを同じモードで転送するより、同じタスクを異なるモードで転送する方が、よりうまく行くことが示されています。
- 参考スコア(独自算出の注目度): 14.583629268991237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although many studies have successfully applied transfer learning to medical
image segmentation, very few of them have investigated the selection strategy
when multiple source tasks are available for transfer. In this paper, we
propose a prior knowledge guided and transferability based framework to select
the best source tasks among a collection of brain image segmentation tasks, to
improve the transfer learning performance on the given target task. The
framework consists of modality analysis, RoI (region of interest) analysis, and
transferability estimation, such that the source task selection can be refined
step by step. Specifically, we adapt the state-of-the-art analytical
transferability estimation metrics to medical image segmentation tasks and
further show that their performance can be significantly boosted by filtering
candidate source tasks based on modality and RoI characteristics. Our
experiments on brain matter, brain tumor, and white matter hyperintensities
segmentation datasets reveal that transferring from different tasks under the
same modality is often more successful than transferring from the same task
under different modalities. Furthermore, within the same modality, transferring
from the source task that has stronger RoI shape similarity with the target
task can significantly improve the final transfer performance. And such
similarity can be captured using the Structural Similarity index in the label
space.
- Abstract(参考訳): 多くの研究が医療画像分割に転送学習を適用しているが、複数のソースタスクが転送可能である場合の選択戦略を調査した研究はごくわずかである。
本稿では,脳画像セグメンテーションタスクの集合の中から最適なソースタスクを選択するための事前知識誘導および転送可能性に基づくフレームワークを提案し,与えられた対象タスクの転送学習性能を向上させる。
このフレームワークは、モダリティ分析、RoI(関心領域)分析、転送可能性推定から成り、ソースタスクの選択を段階的に洗練することができる。
具体的には,医用画像のセグメンテーションタスクに最先端の分析可能性推定指標を適用し,モーダリティとRoI特性に基づいて候補音源タスクをフィルタリングすることにより,その性能を著しく向上させることができることを示す。
脳の物質、脳腫瘍、ホワイトマターの超強度セグメンテーションデータセットに関する我々の実験は、異なるタスクを同じモードで転送するよりも、同じタスクを異なるモードで転送する方が、より成功していることを示している。
さらに、同じモダリティ内では、ターゲットタスクとRoI形状がより強いソースタスクからの転送は、最終的な転送性能を大幅に向上させることができる。
このような類似性はラベル空間の構造的類似性指数を用いて捉えることができる。
関連論文リスト
- Selecting the Best Sequential Transfer Path for Medical Image Segmentation with Limited Labeled Data [4.65647362545504]
医用画像に適したタスク親和性尺度を用いた新しいシーケンシャルトランスファー方式を提案する。
医用画像分割作業の特徴を考慮し,課題間の画像とラベルの類似性を解析する。
与えられた目標タスクに対して、最も優れたシーケンシャルな転送パスを特定する。
論文 参考訳(メタデータ) (2024-10-09T13:55:52Z) - Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。
最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文 参考訳(メタデータ) (2023-07-28T14:51:09Z) - What Makes Transfer Learning Work For Medical Images: Feature Reuse &
Other Factors [1.5207770161985628]
医学領域への転帰学習が有用であるか否かは,どの要因が決定されるかは定かではない。
転送学習,データサイズ,モデルのキャパシティと帰納バイアス,およびソースとターゲットドメイン間の距離の関係について検討する。
論文 参考訳(メタデータ) (2022-03-02T10:13:11Z) - Active Multi-Task Representation Learning [50.13453053304159]
本研究は,アクティブラーニングの手法を活用することで,資源タスクのサンプリングに関する最初の公式な研究を行う。
提案手法は, 対象タスクに対する各ソースタスクの関連性を反復的に推定し, その関連性に基づいて各ソースタスクからサンプルを抽出するアルゴリズムである。
論文 参考訳(メタデータ) (2022-02-02T08:23:24Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Task Fingerprinting for Meta Learning in Biomedical Image Analysis [0.6685643907416715]
注釈付きデータの短縮は、生体画像解析における最大のボトルネックの1つである。
本稿では,タスクの類似性を,タスクフィンガープリントと呼ばれる概念で定量化する問題に対処する。
この概念は、画像データと対応するラベルで表される与えられたタスクを固定長ベクトル表現に変換することである。
論文 参考訳(メタデータ) (2021-07-08T16:20:28Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳(メタデータ) (2021-03-24T16:24:20Z) - A Taxonomy of Similarity Metrics for Markov Decision Processes [62.997667081978825]
近年、伝達学習は強化学習(RL)アルゴリズムをより効率的にすることに成功した。
本稿では,これらの指標を分類し,これまでに提案されている類似性の定義を分析する。
論文 参考訳(メタデータ) (2021-03-08T12:36:42Z) - Unified Representation Learning for Efficient Medical Image Analysis [0.623075162128532]
統一モダリティ特化特徴表現(UMS-Rep)を用いた医用画像解析のためのマルチタスクトレーニング手法を提案する。
提案手法は,計算資源の全体的な需要を減らし,タスクの一般化と性能の向上を図っている。
論文 参考訳(メタデータ) (2020-06-19T16:52:16Z) - Exploring and Predicting Transferability across NLP Tasks [115.6278033699853]
本研究では,33のNLPタスク間の伝達可能性について検討した。
以上の結果から,転帰学習は従来考えられていたよりも有益であることが示唆された。
また,特定の対象タスクに対して最も転送可能なソースタスクを予測するために使用できるタスク埋め込みも開発した。
論文 参考訳(メタデータ) (2020-05-02T09:39:36Z)
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。