論文の概要: A Novel Collaborative Self-Supervised Learning Method for Radiomic Data
- arxiv url: http://arxiv.org/abs/2302.09807v1
- Date: Mon, 20 Feb 2023 07:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 16:27:57.347632
- Title: A Novel Collaborative Self-Supervised Learning Method for Radiomic Data
- Title（参考訳）: 放射能データの協調的自己教師あり学習法
- Authors: Zhiyuan Li, Hailong Li, Anca L. Ralescu, Jonathan R. Dillman, Nehal A.
Parikh, and Lili He
- Abstract要約: 本稿では,ラベル付き無線データ不足の課題を解決するための,新しい自己教師型学習手法を提案する。
提案手法は, 放射線データから頑健な潜在特徴表現を自己指導的に学習し, 人間のアノテーションの取り組みを減らした。
- 参考スコア（独自算出の注目度）: 3.5213632537596604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The computer-aided disease diagnosis from radiomic data is important in many
medical applications. However, developing such a technique relies on annotating
radiological images, which is a time-consuming, labor-intensive, and expensive
process. In this work, we present the first novel collaborative self-supervised
learning method to solve the challenge of insufficient labeled radiomic data,
whose characteristics are different from text and image data. To achieve this,
we present two collaborative pretext tasks that explore the latent pathological
or biological relationships between regions of interest and the similarity and
dissimilarity information between subjects. Our method collaboratively learns
the robust latent feature representations from radiomic data in a
self-supervised manner to reduce human annotation efforts, which benefits the
disease diagnosis. We compared our proposed method with other state-of-the-art
self-supervised learning methods on a simulation study and two independent
datasets. Extensive experimental results demonstrated that our method
outperforms other self-supervised learning methods on both classification and
regression tasks. With further refinement, our method shows the potential
advantage in automatic disease diagnosis with large-scale unlabeled data
available.
- Abstract（参考訳）: 放射線データからのコンピュータ支援疾患診断は,多くの医学的応用において重要である。
しかし、そのような技術を開発するには、時間を要する、労力がかかる、高価なプロセスである放射線画像に注釈をつける必要がある。
本稿では,テキストや画像データと特徴が異なるラベル付き放射能データの不足という課題を解決するために,最初の協調型自己教師付き学習手法を提案する。
これを実現するために,関心領域間の潜伏する病理的・生物学的関係と,被験者間の類似性および相違性情報を探る2つの協調的前提課題を提案する。
本手法は, 放射線データからロバストな潜伏特徴表現を自己教師ありで学習し, 疾患診断に有利な注記作業を減らす。
提案手法を,シミュレーション研究と2つの独立データセットを用いて,最先端の自己教師付き学習手法と比較した。
総合的な実験結果から,本手法は他の自己指導型学習法よりも高い性能を示した。
さらなる改良により,大規模未ラベルデータを用いた自動疾患診断の利点が示された。
関連論文リスト
- Joint Self-Supervised and Supervised Contrastive Learning for Multimodal
MRI Data: Towards Predicting Abnormal Neurodevelopment [5.771221868064265]
マルチモーダルMRIデータから頑健な潜在特徴表現を学習するための,新しい自己教師付きコントラスト学習法を提案する。
本手法は,マルチモーダルデータの活用により,臨床実習におけるコンピュータ支援診断を容易にする能力を有する。
論文 参考訳（メタデータ） (2023-12-22T21:05:51Z) - Two-stage Joint Transductive and Inductive learning for Nuclei
Segmentation [3.138395828947902]
我々は、利用可能なラベル付きおよび非ラベル付きデータを活用する、核分割に対する新しいアプローチを提案する。
提案手法の有効性と可能性を実証するために,MoNuSegベンチマークに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-11-15T08:37:11Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳（メタデータ） (2023-09-13T09:22:49Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of
Reinforcement Learning and Classification [0.6415701940560564]
そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。
我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。
実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-12-01T11:25:42Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Handling Data Heterogeneity with Generative Replay in Collaborative
Learning for Medical Imaging [21.53220262343254]
本稿では,協調学習手法におけるデータ不均一性の課題に対処する新たな再生戦略を提案する。
一次モデルは所望のタスクを学習し、補助的な「生成再生モデル」は入力画像によく似た画像を合成するか、潜伏変数の抽出を支援する。
生成的再生戦略は柔軟であり、既存の協調学習手法に組み込んで、機関間のデータの均一性を扱う能力を向上させるか、あるいはコミュニケーションコストを削減するために、新しい個別の協調学習フレームワーク(FedReplayと称される)として使用される。
論文 参考訳（メタデータ） (2021-06-24T17:39:55Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Self-supervised Feature Learning via Exploiting Multi-modal Data for
Retinal Disease Diagnosis [28.428216831922228]
本稿では,網膜疾患診断のためのマルチモーダルデータを効果的に活用して,新しい自己教師型特徴学習法を提案する。
本研究の目的は,モダリティ不変特徴と患者類似特徴の両方を学習することである。
本手法を網膜疾患診断のための2つの公開ベンチマークデータセットで評価した。
論文 参考訳（メタデータ） (2020-07-21T19:49:45Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。