論文の概要: Learning Self-Supervised Representations for Label Efficient Cross-Domain Knowledge Transfer on Diabetic Retinopathy Fundus Images

• arxiv url: http://arxiv.org/abs/2304.11168v1
• Date: Thu, 20 Apr 2023 12:46:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 20:02:54.718022
• Title: Learning Self-Supervised Representations for Label Efficient Cross-Domain Knowledge Transfer on Diabetic Retinopathy Fundus Images
• Title（参考訳）: 糖尿病網膜症眼底画像におけるラベル効率の高いクロスドメイン知識伝達のための自己教師あり表現の学習
• Authors: Ekta Gupta, Varun Gupta, Muskaan Chopra, Prakash Chandra Chhipa and Marcus Liwicki
• Abstract要約: 本研究は,糖尿病網膜症 (DR) 画像をドメイン横断設定で分類するための,自己教師付き表現学習に基づく新しいアプローチを提案する。 提案手法は,クロスドメイン設定においても,DR画像の2値化と多値化の最先端化を実現する。
• 参考スコア（独自算出の注目度）: 2.796274924103132
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents a novel label-efficient selfsupervised representation learning-based approach for classifying diabetic retinopathy (DR) images in cross-domain settings. Most of the existing DR image classification methods are based on supervised learning which requires a lot of time-consuming and expensive medical domain experts-annotated data for training. The proposed approach uses the prior learning from the source DR image dataset to classify images drawn from the target datasets. The image representations learned from the unlabeled source domain dataset through contrastive learning are used to classify DR images from the target domain dataset. Moreover, the proposed approach requires a few labeled images to perform successfully on DR image classification tasks in cross-domain settings. The proposed work experiments with four publicly available datasets: EyePACS, APTOS 2019, MESSIDOR-I, and Fundus Images for self-supervised representation learning-based DR image classification in cross-domain settings. The proposed method achieves state-of-the-art results on binary and multiclassification of DR images, even in cross-domain settings. The proposed method outperforms the existing DR image binary and multi-class classification methods proposed in the literature. The proposed method is also validated qualitatively using class activation maps, revealing that the method can learn explainable image representations. The source code and trained models are published on GitHub.
• Abstract（参考訳）: 本研究は,糖尿病網膜症 (DR) 画像をドメイン横断的に分類するためのラベル効率の高い自己教師型表現学習手法を提案する。 既存のdr画像分類手法のほとんどは教師付き学習に基づいており、トレーニングには多くの時間と高価な医療領域の専門家による注釈データを必要とする。 提案手法では,ソースdr画像データセットからの事前学習を用いて,対象データセットから抽出した画像の分類を行う。 比較学習によりラベルのないソースドメインデータセットから学習した画像表現を用いて、ターゲットドメインデータセットからDRイメージを分類する。 さらに,提案手法では,クロスドメイン設定のdr画像分類タスクにおいて,いくつかのラベル付き画像が有効であることが必要となる。 提案手法では,eyepacs,aptos 2019,messidor-i,fundus imagesの4つのデータセットを用いて,クロスドメイン環境での自己教師付き表現学習に基づくdr画像分類を行う。 提案手法は,クロスドメイン設定においても,DR画像の2値化と多値化を行う。 提案手法は,既存のdr画像バイナリおよび多クラス分類手法を上回っている。 また,クラスアクティベーションマップを用いて定性的に検証し,説明可能な画像表現を学習できることを明らかにする。 ソースコードとトレーニングされたモデルはgithubで公開されている。

関連論文リスト

• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Few Shot Medical Image Segmentation with Cross Attention Transformer [30.54965157877615]
  我々は、CAT-Netと呼ばれる、数ショットの医用画像セグメンテーションのための新しいフレームワークを提案する。 提案するネットワークは,サポート画像とクエリ画像の相関関係を抽出し,有用なフォアグラウンド情報のみに限定する。 提案手法を,Abd-CT,Abd-MRI,Card-MRIの3つの公開データセットで検証した。
  論文  参考訳（メタデータ） (2023-03-24T09:10:14Z)
• SSiT: Saliency-guided Self-supervised Image Transformer for Diabetic Retinopathy Grading [2.0790896742002274]
  基礎画像から評価した糖尿病網膜症に対して, SSiT (Salliency-Guided Self-Supervised Image Transformer) が提案されている。 我々は、ドメイン固有の事前知識による自己教師付き事前学習の指導を目標として、SSLにサリエンシマップを新たに導入する。
  論文  参考訳（メタデータ） (2022-10-20T02:35:26Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Self-Supervised Generative Style Transfer for One-Shot Medical Image Segmentation [10.634870214944055]
  医用画像のセグメンテーションにおいて、教師付きディープネットワークの成功は、豊富なラベル付きデータを必要とするコストが伴う。 本稿では,ボリューム画像分割ペアを合成可能なデータ拡張のための,新しいボリューム自己教師型学習法を提案する。 我々の研究の中心的信条は、ワンショット生成学習と自己指導型学習戦略の併用による恩恵を受けている。
  論文  参考訳（メタデータ） (2021-10-05T15:28:42Z)
• Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
  大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。 これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。 正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:31:46Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
  生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。 非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。 本手法は腺および核データセット上で評価される。
  論文  参考訳（メタデータ） (2020-12-17T02:54:19Z)

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。