論文の概要: BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations

• arxiv url: http://arxiv.org/abs/2301.13418v2
• Date: Thu, 2 Feb 2023 08:50:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 16:45:06.867543
• Title: BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations
• Title（参考訳）: braixdet:不完全アノテーションによる乳腺悪性病変検出の学習
• Authors: Yuanhong Chen, Yuyuan Liu, Chong Wang, Michael Elliott, Chun Fung Kwok, Carlos Pena-Solorzano, Yu Tian, Fengbei Liu, Helen Frazer, Davis J. McCarthy, Gustavo Carneiro
• Abstract要約: マンモグラムのスクリーニングから悪性病変を検出する方法は通常、完全な注釈付きデータセットで訓練される。 しかし,実世界のマンモグラムデータセットには,グローバルな分類だけで弱い注釈が付けられている部分集合が存在するのが一般的である。 本稿では,弱弱教師付き・半教師付き学習問題としてトレーニングを定式化するジレンマの中間的解法を提案する。
• 参考スコア（独自算出の注目度）: 18.804324684951954
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Methods to detect malignant lesions from screening mammograms are usually trained with fully annotated datasets, where images are labelled with the localisation and classification of cancerous lesions. However, real-world screening mammogram datasets commonly have a subset that is fully annotated and another subset that is weakly annotated with just the global classification (i.e., without lesion localisation). Given the large size of such datasets, researchers usually face a dilemma with the weakly annotated subset: to not use it or to fully annotate it. The first option will reduce detection accuracy because it does not use the whole dataset, and the second option is too expensive given that the annotation needs to be done by expert radiologists. In this paper, we propose a middle-ground solution for the dilemma, which is to formulate the training as a weakly- and semi-supervised learning problem that we refer to as malignant breast lesion detection with incomplete annotations. To address this problem, our new method comprises two stages, namely: 1) pre-training a multi-view mammogram classifier with weak supervision from the whole dataset, and 2) extending the trained classifier to become a multi-view detector that is trained with semi-supervised student-teacher learning, where the training set contains fully and weakly-annotated mammograms. We provide extensive detection results on two real-world screening mammogram datasets containing incomplete annotations, and show that our proposed approach achieves state-of-the-art results in the detection of malignant breast lesions with incomplete annotations.
• Abstract（参考訳）: マンモグラムのスクリーニングから悪性病変を検出する方法は、通常、完全な注釈付きデータセットで訓練され、画像はがん病変の局所化と分類でラベル付けされる。 しかし、現実世界の検診用マンモグラムデータセットは、完全に注釈付けされた部分集合と、グローバル分類(つまり、病変の局所化のない部分集合)で弱い注釈を持つ。 このようなデータセットの大きさを考えると、研究者は通常、弱いアノテートされたサブセットとのジレンマに直面します。 第1の選択肢は、データセット全体を使用しないため、検出精度を低下させる。第2の選択肢は、専門家の放射線技師がアノテーションを行う必要があるため、高価すぎる。 本稿では,このジレンマの中間的解決法を提案する。これは,不完全アノテーションによる悪性乳腺病変検出と呼ばれる,弱い,半教師あり学習問題としてトレーニングを定式化するものである。 この問題に対処するため,本手法は以下の2つの段階からなる。 1)データセット全体からの監督が弱いマルチビューマンモグラム分類器の事前学習,および 2) 訓練された分類器を、セミ教師付き学生-教師学習で訓練されたマルチビュー検出器に拡張し、トレーニングセットは、完全かつ弱注釈のマンモグラムを含む。 不完全アノテーションを含む2つの実世界の検診用マンモグラムデータセットの広範な検出結果を示し,本手法が不完全アノテーションによる悪性乳腺病変の検出に最先端の結果をもたらすことを示す。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• M&M: Tackling False Positives in Mammography with a Multi-view and Multi-instance Learning Sparse Detector [13.67324365495568]
  深層学習に基づく物体検出法は, マンモグラフィーのスクリーニングの改善を約束するが, 偽陽性率が高いと臨床実践における効果を阻害する可能性がある。 自然画像とは異なり,悪性マンモグラフィーは1つの悪性所見のみを含むのが一般的であり,マンモグラフィー検査は各乳房の2つの視点を含むため,どちらの視点も正しく評価されるべきである。 我々は,(1)スパースR-CNNの活用,(2)マンモグラフィの高密度検出器よりもスパース検出器の方が適切であることを示す,(2)異なる視点から情報を合成するための多視点横断モジュールを含む,3つの課題に取り組む。
  論文  参考訳（メタデータ） (2023-08-11T23:59:47Z)
• An End-to-End Framework For Universal Lesion Detection With Missing Annotations [24.902835211573628]
  そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。 本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
  論文  参考訳（メタデータ） (2023-03-27T09:16:10Z)
• 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)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
  本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。 MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。 この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-07-27T17:03:50Z)
• 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)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Semi-supervised lung nodule retrieval [2.055949720959582]
  コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。 データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。 本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。 LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-04T19:26:14Z)
• A Two-Stage Multiple Instance Learning Framework for the Detection of Breast Cancer in Mammograms [13.842620686759616]
  乳がんの大規模検診ではマンモグラムが一般的に用いられる。 画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。 グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。 画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
  論文  参考訳（メタデータ） (2020-04-24T13:06:47Z)

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。