論文の概要: GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis

• arxiv url: http://arxiv.org/abs/2301.04410v1
• Date: Wed, 11 Jan 2023 11:38:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 16:53:55.007740
• Title: GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis
• Title（参考訳）: GraVIS:Dermatology分析のための独立したソースからのグループ化ビュー
• Authors: Hong-Yu Zhou, Chixiang Lu, Liansheng Wang, Yizhou Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.04899592688968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised representation learning has been extremely successful in medical image analysis, as it requires no human annotations to provide transferable representations for downstream tasks. Recent self-supervised learning methods are dominated by noise-contrastive estimation (NCE, also known as contrastive learning), which aims to learn invariant visual representations by contrasting one homogeneous image pair with a large number of heterogeneous image pairs in each training step. Nonetheless, NCE-based approaches still suffer from one major problem that is one homogeneous pair is not enough to extract robust and invariant semantic information. Inspired by the archetypical triplet loss, we propose GraVIS, which is specifically optimized for learning self-supervised features from dermatology images, to group homogeneous dermatology images while separating heterogeneous ones. In addition, a hardness-aware attention is introduced and incorporated to address the importance of homogeneous image views with similar appearance instead of those dissimilar homogeneous ones. GraVIS significantly outperforms its transfer learning and self-supervised learning counterparts in both lesion segmentation and disease classification tasks, sometimes by 5 percents under extremely limited supervision. More importantly, when equipped with the pre-trained weights provided by GraVIS, a single model could achieve better results than winners that heavily rely on ensemble strategies in the well-known ISIC 2017 challenge.
• Abstract（参考訳）: 自己教師付き表現学習は、下流のタスクに伝達可能な表現を提供するために人間のアノテーションを必要としないため、医用画像解析において極めて成功した。 近年の自己教師あり学習法は,1つの均質な画像対と多数の異種画像対を訓練ステップ毎に対比することにより,不変な視覚的表現を学習することを目的として,ノイズコントラスト推定(nce,contrastive estimation)によって支配されている。 それでも、NCEベースのアプローチは、一対の同質なペアである1つの大きな問題に苦しめられ、堅牢で不変な意味情報を抽出するには不十分である。 従来の三重項損失に触発されて,皮膚科画像から自己教師付特徴を学習するために最適化されたgravisを提案する。 さらに、異種同種画像ではなく、類似した外観を持つ同種画像ビューの重要性に対処するために、難易度対応の注意が導入された。 GraVISは、病変の分類と疾患分類のタスクにおいて、トランスファーラーニングと自己教師付き学習を著しく上回り、時には極端に限られた監督の下で5%向上する。 さらに重要なのは、gravisがトレーニング済みの重量を装備すれば、1つのモデルの方が、有名なisic 2017チャレンジのアンサンブル戦略に大きく依存する勝者よりも優れた結果が得られることだ。

関連論文リスト

• Fine-Grained Self-Supervised Learning with Jigsaw Puzzles for Medical Image Classification [11.320414512937946]
  微細な病変の分類は、医療画像の微妙で微妙な違いのため困難である。 医用画像の微妙な病変を分類するためのFG-SSL法を提案する。 各種医用画像認識データセットを用いた包括的実験において,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-08-10T02:08:15Z)
• 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)
• 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)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• 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)
• Lesion-Aware Contrastive Representation Learning for Histopathology Whole Slide Images Analysis [16.264758789726223]
  本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。 実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-27T08:39:51Z)
• Self Supervised Lesion Recognition For Breast Ultrasound Diagnosis [14.961717874372567]
  良性/良性分類タスクと病変認識(LR)を補完するマルチタスクフレームワークを提案する。 具体的には、LRタスクは対照的な学習を用いて、同じ病変の複数のビューを抽出し、異なる病変のビューを再現する表現を促進する。 実験により,提案したマルチタスクフレームワークは,良性/良性分類の性能を高めることが示された。
  論文  参考訳（メタデータ） (2022-04-18T16:00:33Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images [2.498907460918493]
  糖尿病網膜症自動評価のための自己教師型フレームワーク,すなわち病変に基づくコントラスト学習を提案する。 提案フレームワークは,リニア評価と転送容量評価の両方の観点から,DRグレーディングを際立たせる。
  論文  参考訳（メタデータ） (2021-07-17T16:30:30Z)
• Magnification-independent Histopathological Image Classification with Similarity-based Multi-scale Embeddings [12.398787062519034]
  本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。 特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。 SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
  論文  参考訳（メタデータ） (2021-07-02T13:18:45Z)

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。