論文の概要: Active Learning in Brain Tumor Segmentation with Uncertainty Sampling,
Annotation Redundancy Restriction, and Data Initialization
- arxiv url: http://arxiv.org/abs/2302.10185v1
- Date: Sun, 5 Feb 2023 04:45:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 14:35:31.282758
- Title: Active Learning in Brain Tumor Segmentation with Uncertainty Sampling,
Annotation Redundancy Restriction, and Data Initialization
- Title（参考訳）: 不確かさサンプリング,アノテーション冗長性制限,データ初期化による脳腫瘍切片の能動的学習
- Authors: Daniel D Kim, Rajat S Chandra, Jian Peng, Jing Wu, Xue Feng, Michael
Atalay, Chetan Bettegowda, Craig Jones, Haris Sair, Wei-hua Liao, Chengzhang
Zhu, Beiji Zou, Li Yang, Anahita Fathi Kazerooni, Ali Nabavizadeh, Harrison X
Bai, Zhicheng Jiao
- Abstract要約: 深層学習モデルは、医療用3Dイメージングにおいて大きな可能性を示しているが、その開発は、高価な大量の注釈付きデータによって制限されている。
アクティブラーニング(AL)は、パフォーマンスを損なうことなく、最も情報性の高いデータサンプルのサブセットでモデルをトレーニングすることで、この問題に対処する。
我々は、異なるAL戦略を比較し、最先端のパフォーマンスに必要なデータ量を最小化するフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 17.3513750927719
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have demonstrated great potential in medical 3D imaging,
but their development is limited by the expensive, large volume of annotated
data required. Active learning (AL) addresses this by training a model on a
subset of the most informative data samples without compromising performance.
We compared different AL strategies and propose a framework that minimizes the
amount of data needed for state-of-the-art performance. 638 multi-institutional
brain tumor MRI images were used to train a 3D U-net model and compare AL
strategies. We investigated uncertainty sampling, annotation redundancy
restriction, and initial dataset selection techniques. Uncertainty estimation
techniques including Bayesian estimation with dropout, bootstrapping, and
margins sampling were compared to random query. Strategies to avoid annotation
redundancy by removing similar images within the to-be-annotated subset were
considered as well. We determined the minimum amount of data necessary to
achieve similar performance to the model trained on the full dataset ({\alpha}
= 0.1). A variance-based selection strategy using radiomics to identify the
initial training dataset is also proposed. Bayesian approximation with dropout
at training and testing showed similar results to that of the full data model
with less than 20% of the training data (p=0.293) compared to random query
achieving similar performance at 56.5% of the training data (p=0.814).
Annotation redundancy restriction techniques achieved state-of-the-art
performance at approximately 40%-50% of the training data. Radiomics dataset
initialization had higher Dice with initial dataset sizes of 20 and 80 images,
but improvements were not significant. In conclusion, we investigated various
AL strategies with dropout uncertainty estimation achieving state-of-the-art
performance with the least annotated data.
- Abstract（参考訳）: 深層学習モデルは医用3Dイメージングにおいて大きな可能性を示しているが、その開発は高価な大量の注釈付きデータによって制限されている。
アクティブラーニング(AL)は、パフォーマンスを損なうことなく、最も情報性の高いデータサンプルのサブセットでモデルをトレーニングすることで、この問題に対処する。
異なるal戦略を比較し,最先端性能に必要なデータ量を最小化するフレームワークを提案する。
638個の脳腫瘍画像を用いて3次元U-netモデルの訓練とAL戦略の比較を行った。
不確実性サンプリング,アノテーション冗長性制限,初期データセット選択手法について検討した。
ドロップアウト,ブートストラップ,マージンサンプリングによるベイズ推定を含む不確実性推定手法をランダムクエリと比較した。
to-be-annotatedサブセット内で類似したイメージを削除することでアノテーションの冗長性を回避するための戦略も検討された。
我々は,全データセット({\alpha} = 0.1)でトレーニングしたモデルと同等の性能を達成するために必要な最小データ量を決定した。
また,初期訓練データセットを識別するために放射能を用いた分散選択法を提案する。
トレーニングおよびテストにおけるドロップアウトによるベイズ近似は、トレーニングデータの20%未満(p=0.293)のフルデータモデルと、トレーニングデータの56.5%で同様のパフォーマンスを達成するランダムクエリ(p=0.814)に類似した結果を示した。
アノテーション冗長性制限技術は、トレーニングデータの約40%-50%で最先端のパフォーマンスを達成した。
放射能データセットの初期化は20と80の画像のデータセットサイズでDiceよりも高かったが、改善は重要ではなかった。
結論として,最小アノテートデータで最先端性能を達成するためのドロップアウト不確実性推定による様々なal戦略について検討した。
関連論文リスト
- Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。
しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文 参考訳（メタデータ） (2024-06-17T12:24:45Z) - From Data Deluge to Data Curation: A Filtering-WoRA Paradigm for Efficient Text-based Person Search [19.070305201045954]
テキストベースの人物検索では、プライバシ保護と手動アノテーションの困難なタスクに対する懸念に対処するため、データ生成が主流となっている。
構築されたデータセット内のデータのサブセットのみが決定的な役割を果たすことを観察する。
我々は、この重要なデータサブセットを識別するためのフィルタリングアルゴリズムと、光微細チューニングのためのWoRA学習戦略を含む新しいフィルタリング-WoRAパラダイムを導入する。
論文 参考訳（メタデータ） (2024-04-16T05:29:14Z) - How to Train Data-Efficient LLMs [56.41105687693619]
事前学習言語モデル(LLM)に対するデータ効率のアプローチについて検討する。
Ask-LLMと密度サンプリングがそれぞれのカテゴリで最適であることがわかった。
何百もの評価タスクと事前学習作業を含む19個のサンプルを比較したところ,Ask-LLMと密度がそれぞれのカテゴリで最適な方法であることが判明した。
論文 参考訳（メタデータ） (2024-02-15T02:27:57Z) - Group Distributionally Robust Dataset Distillation with Risk
Minimization [18.07189444450016]
本稿では,クラスタリングとリスク尺度の最小化を組み合わせ,DDを遂行する損失を最小化するアルゴリズムを提案する。
数値実験により,その有効一般化と部分群間のロバスト性を示す。
論文 参考訳（メタデータ） (2024-02-07T09:03:04Z) - Semantically Redundant Training Data Removal and Deep Model
Classification Performance: A Study with Chest X-rays [5.454938535500864]
本稿では,意味的に冗長なトレーニングデータを識別・除去するためのエントロピーに基づくサンプルスコアリング手法を提案する。
我々は、トレーニングデータの情報サブセットに基づいてトレーニングされたモデルが、トレーニングセット全体においてトレーニングされたモデルよりも大幅に優れる、公開可能なNIH胸部X線データセットを使用することを実証する。
論文 参考訳（メタデータ） (2023-09-18T13:56:34Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳（メタデータ） (2023-03-02T21:48:22Z) - Dataset Pruning: Reducing Training Data by Examining Generalization
Influence [30.30255670341501]
すべてのトレーニングデータは、モデルのパフォーマンスに寄与しますか?
モデルのパフォーマンスを著しく犠牲にすることなく、プロキシトレーニングセットとして、トレーニングデータ全体から最小限のサブセットを構築するには、どうすればよいのか?
論文 参考訳（メタデータ） (2022-05-19T05:36:35Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳（メタデータ） (2021-11-23T18:59:08Z) - Harnessing Unlabeled Data to Improve Generalization of Biometric Gender
and Age Classifiers [0.7874708385247353]
ディープラーニングモデルは、モデルトレーニングと最適パラメータ推定のために、大量のラベル付きデータを必要とする。
プライバシやセキュリティ上の懸念から、医療分野を含む特定のアプリケーションに対して大量のラベル付きデータを収集することはできない。
本稿では,ラベル付きデータに制限を加えた自己アンサンブルに基づくディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2021-10-09T01:06:01Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。