論文の概要: Curriculum Based Multi-Task Learning for Parkinson's Disease Detection
- arxiv url: http://arxiv.org/abs/2302.13631v1
- Date: Mon, 27 Feb 2023 09:58:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 16:05:17.425394
- Title: Curriculum Based Multi-Task Learning for Parkinson's Disease Detection
- Title（参考訳）: パーキンソン病検出のためのカリキュラムに基づくマルチタスク学習
- Authors: Nikhil J. Dhinagar, Conor Owens-Walton, Emily Laltoo, Christina P.
Boyle, Yao-Liang Chen, Philip Cook, Corey McMillan, Chih-Chien Tsai, J-J
Wang, Yih-Ru Wu, Ysbrand van der Werf, Paul M. Thompson
- Abstract要約: 我々は、重篤度に基づくメタデータを利用して、深層畳み込みニューラルネットワーク(CNN)を訓練するためのカリキュラムを定義する。
カリキュラム学習は、分類し易い例から始めることで分類器のパフォーマンスを向上させるための訓練戦略である。
プレトレーニングCNNとトランスファーラーニングを用いたマルチタスク設定でも,T1強調(T1-w)MRIに基づくPD分類は困難であった(ROC AUC: 0.59-0.65)が,カリキュラムトレーニングでは,ベースラインモデルと比較してパフォーマンスが3.9%向上した。
- 参考スコア（独自算出の注目度）: 2.1187904593676845
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is great interest in developing radiological classifiers for diagnosis,
staging, and predictive modeling in progressive diseases such as Parkinson's
disease (PD), a neurodegenerative disease that is difficult to detect in its
early stages. Here we leverage severity-based meta-data on the stages of
disease to define a curriculum for training a deep convolutional neural network
(CNN). Typically, deep learning networks are trained by randomly selecting
samples in each mini-batch. By contrast, curriculum learning is a training
strategy that aims to boost classifier performance by starting with examples
that are easier to classify. Here we define a curriculum to progressively
increase the difficulty of the training data corresponding to the Hoehn and
Yahr (H&Y) staging system for PD (total N=1,012; 653 PD patients, 359 controls;
age range: 20.0-84.9 years). Even with our multi-task setting using pre-trained
CNNs and transfer learning, PD classification based on T1-weighted (T1-w) MRI
was challenging (ROC AUC: 0.59-0.65), but curriculum training boosted
performance (by 3.9%) compared to our baseline model. Future work with
multimodal imaging may further boost performance.
- Abstract（参考訳）: パーキンソン病(PD)のような進行性疾患の早期発見が困難な神経変性疾患において、診断、ステージング、予測モデリングのための放射線学的分類器の開発に大きな関心がある。
ここでは、重症度に基づくメタデータを利用して、深層畳み込みニューラルネットワーク(CNN)をトレーニングするためのカリキュラムを定義する。
通常、ディープラーニングネットワークは、各ミニバッチでランダムにサンプルを選択することでトレーニングされる。
対照的に、カリキュラム学習は、分類し易い例から始めることで分類器のパフォーマンスを向上させるための訓練戦略である。
ここでは, PD患者653名, コントロール359名, 年齢範囲20.0-84.9歳)に対するHoehn and Yahr(H&Y)ステージングシステムに対応するトレーニングデータの難易度を徐々に向上させるカリキュラムを定義する。
プレトレーニングCNNとトランスファーラーニングを用いたマルチタスク設定でも,T1強調(T1-w)MRIに基づくPD分類は困難であった(ROC AUC: 0.59-0.65)が,カリキュラムトレーニングでは,ベースラインモデルと比較してパフォーマンスが3.9%向上した。
将来のマルチモーダルイメージングによる作業により、さらなるパフォーマンス向上が期待できる。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Applications of Sequential Learning for Medical Image Classification [0.13191970195165517]
我々は,少量の医用画像データの連続的トレーニングのためのニューラルネットワークトレーニングフレームワークを開発した。
過度な適合、破滅的な忘れ、概念の漂流といった、逐次学習を妨げる問題に対処する。
論文 参考訳（メタデータ） (2023-09-26T00:46:25Z) - 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) - Video and Synthetic MRI Pre-training of 3D Vision Architectures for
Neuroimage Analysis [3.208731414009847]
トランスファーラーニングは、特定のタスクに適応するために、大規模なデータコーパスでディープラーニングモデルを事前訓練することを含む。
視覚変換器 (ViTs) と畳み込みニューラルネットワーク (CNNs) のベンチマークを行った。
得られた事前訓練されたモデルは、ターゲットタスクのトレーニングデータが制限されている場合でも、さまざまな下流タスクに適応することができる。
論文 参考訳（メタデータ） (2023-09-09T00:33:23Z) - 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) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - Pre-training transformer-based framework on large-scale pediatric claims
data for downstream population-specific tasks [3.1580072841682734]
本研究は、小児科のクレームデータセット全体をトレーニングする一般的な事前学習モデルであるClaim Pre-Training(Claim-PT)フレームワークを提案する。
効果的な知識伝達はタスク対応微調整段階を通じて完了する。
我々は100万人以上の患者記録を持つ実世界のクレームデータセットの実験を行った。
論文 参考訳（メタデータ） (2021-06-24T15:25:41Z) - Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer
Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。
多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。
本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-03-22T06:04:45Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - 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)
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。