論文の概要: An End-to-End Framework For Universal Lesion Detection With Missing Annotations

• arxiv url: http://arxiv.org/abs/2303.15024v1
• Date: Mon, 27 Mar 2023 09:16:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:19:56.499381
• Title: An End-to-End Framework For Universal Lesion Detection With Missing Annotations
• Title（参考訳）: アノテーションを欠くユニバーサル病変検出のためのエンドツーエンドフレームワーク
• Authors: Xiaoyu Bai, Yong Xia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 24.902835211573628
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fully annotated large-scale medical image datasets are highly valuable. However, because labeling medical images is tedious and requires specialized knowledge, the large-scale datasets available often have missing annotation issues. For instance, DeepLesion, a large-scale CT image dataset with labels for various kinds of lesions, is reported to have a missing annotation rate of 50\%. Directly training a lesion detector on it would suffer from false negative supervision caused by unannotated lesions. To address this issue, previous works have used sophisticated multi-stage strategies to switch between lesion mining and detector training. In this work, we present a novel end-to-end framework for mining unlabeled lesions while simultaneously training the detector. Our framework follows the teacher-student paradigm. In each iteration, the teacher model infers the input data and creates a set of predictions. High-confidence predictions are combined with partially-labeled ground truth for training the student model. On the DeepLesion dataset, using the original partially labeled training set, our model can outperform all other more complicated methods and surpass the previous best method by 2.3\% on average sensitivity and 2.7\% on average precision, achieving state-of-the-art universal lesion detection results.
• Abstract（参考訳）: 完全な注釈付き大規模医療画像データセットは非常に貴重である。 しかし、医療画像のラベル付けは面倒で専門的な知識を必要とするため、利用可能な大規模なデータセットにはアノテーションの問題があることが多い。 例えば、さまざまな病変のラベルが付いた大規模CT画像データセットであるDeepLesionでは、アノテーションの欠落率は50%と報告されている。 病変検出装置を直接訓練することは、未診断病変による偽陰性監視に悩まされる。 この問題に対処するために、以前の研究では、病変のマイニングと検出器のトレーニングを切り替えるために、洗練された多段階戦略を用いてきた。 そこで本研究では,非標識病変を同時に検出し,同時に診断を行う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。 我々の枠組みは教師と生徒のパラダイムに従っている。 各イテレーションにおいて、教師モデルは入力データを推測し、一連の予測を生成する。 高信頼度予測は、学生モデルを訓練するための部分的にラベル付けされた真実と組み合わせられる。 DeepLesionデータセットでは、従来の部分的にラベル付けされたトレーニングセットを使用して、他のより複雑なメソッドよりも優れ、平均感度が2.3\%、平均精度が2.7\%、最先端の普遍的な病変検出結果が達成できる。

関連論文リスト

• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Tackling the Incomplete Annotation Issue in Universal Lesion Detection Task By Exploratory Training [10.627977735890191]
  複数の臓器の病変を医用画像上で検出することを目的としているため、ユニバーサル病変検出は臨床実践に非常に有用である。 ディープラーニング手法は有望な結果を示しているが、トレーニングには大量の注釈付きデータを必要とする。 そこで,教師の予測と不完全なアノテーションを組み合わせることで,学生の学習を指導する教師学生検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:44:07Z)
• BRAIxDet: Learning to Detect Malignant Breast Lesion with Incomplete Annotations [17.133754045164444]
  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。
  論文  参考訳（メタデータ） (2023-01-31T05:14:49Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• 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)
• Learning from Multiple Datasets with Heterogeneous and Partial Labels for Universal Lesion Detection in CT [25.351709433029896]
  我々は、Lesion ENSemble(LENS)という、シンプルで効果的な病変検出フレームワークを構築した。 LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習することができる。 我々は4つのパブリックな病変データセットでフレームワークをトレーニングし、DeepLesionで800のサブボリュームを手作業でラベル付けして評価する。
  論文  参考訳（メタデータ） (2020-09-05T17:55:21Z)
• 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)
• Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts [2.707399740070757]
  教師付き学習は医用画像解析に有効であることが証明された。 これは小さなラベル付きデータのみを利用することができる。 医療画像データセットでよく見られる大量のラベルのないデータを活用するのに失敗する。
  論文  参考訳（メタデータ） (2020-04-15T15:32:01Z)

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。