論文の概要: Self-Supervised Learning for Organs At Risk and Tumor Segmentation with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2305.02491v1
• Date: Thu, 4 May 2023 01:50:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 17:27:27.430578
• Title: Self-Supervised Learning for Organs At Risk and Tumor Segmentation with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化を伴う危険臓器の自己教師付き学習と腫瘍分節
• Authors: Ilkin Isler, Debesh Jha, Curtis Lisle, Justin Rineer, Patrick Kelly, Bulent Aydogan, Mohamed Abazeed, Damla Turgut, Ulas Bagci
• Abstract要約: 本研究は,臓器損傷リスク(OAR)に対するトランスフォーマーの自己指導的事前訓練と腫瘍の分節化が,費用がかかる完全教師付き学習と比較して与える影響について述べる。 提案アルゴリズムはモンテカルロ変換器を用いたU-Net (MC-Swin-U) と呼ばれる。
• 参考スコア（独自算出の注目度）: 4.5927879037694135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, our goal is to show the impact of self-supervised pre-training of transformers for organ at risk (OAR) and tumor segmentation as compared to costly fully-supervised learning. The proposed algorithm is called Monte Carlo Transformer based U-Net (MC-Swin-U). Unlike many other available models, our approach presents uncertainty quantification with Monte Carlo dropout strategy while generating its voxel-wise prediction. We test and validate the proposed model on both public and one private datasets and evaluate the gross tumor volume (GTV) as well as nearby risky organs' boundaries. We show that self-supervised pre-training approach improves the segmentation scores significantly while providing additional benefits for avoiding large-scale annotation costs.
• Abstract（参考訳）: 本研究の目的は,臓器疾患(OAR)に対するトランスフォーマーの自己指導的事前訓練と腫瘍の分節化が,費用がかかる完全教師付き学習と比較して与える影響を明らかにすることである。 提案アルゴリズムはモンテカルロ変換器ベースU-Net (MC-Swin-U) と呼ばれる。 他の多くのモデルとは異なり、このアプローチはモンテカルロドロップアウト戦略による不確実性定量化を示しながら、voxel-wise予測を生成する。 一般および1つのプライベートデータセット上で提案モデルの検証と検証を行い,gtv(gross tumor volume)および近接危険臓器境界の評価を行った。 自己教師付き事前学習アプローチは,大規模なアノテーションコストを回避するための付加的なメリットを提供しつつ,セグメント化スコアを大幅に向上させる。

関連論文リスト

• Posterior Sampling for Competitive RL: Function Approximation and Partial Observation [96.73342437947014]
  我々は,ゼロサムマルコフゲーム(MG)に焦点をあてる。 そこで本研究では,両プレイヤーがナッシュ平衡を学習するためのモデルベース自己再生後サンプリング手法を提案する。 本稿では,潜在的な部分観測可能性を持つ逆MG学習のためのモデルに基づく後部サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T17:59:26Z)
• Uncertainty Quantification using Generative Approach [4.4858968464373845]
  本稿では,深いニューラルネットワークにおける不確実性を測定するためのインクリメンタル生成モンテカルロ法を提案する。 IGMCは生成モデルを反復的に訓練し、その出力をデータセットに追加し、ランダム変数の期待の後方分布を計算する。 MNIST桁分類タスクにおけるIGMCの挙動を実証的に研究する。
  論文  参考訳（メタデータ） (2023-10-13T18:05:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Monitoring machine learning (ML)-based risk prediction algorithms in the presence of confounding medical interventions [4.893345190925178]
  医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。 単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。 条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-17T18:54:34Z)
• Optimized Global Perturbation Attacks For Brain Tumour ROI Extraction From Binary Classification Models [0.304585143845864]
  本稿では,バイナリクラスラベルを用いた関心領域獲得のための弱教師付きアプローチを提案する。 また、事前訓練されたバイナリ分類モデルに基づいて、ジェネレータモデルをトレーニングするための新しい目的関数を提案する。
  論文  参考訳（メタデータ） (2022-11-09T14:52:36Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Prediction of MGMT Methylation Status of Glioblastoma using Radiomics and Latent Space Shape Features [1.3408275277483643]
  本稿では,高次グリオーマにおけるMGMTプロモーターメチル化状態の予測法を提案する。 我々は,深層畳み込みニューラルネットワークを用いて腫瘍を分節し,変異型オートエンコーダで学習した放射線特徴と形状特徴の両方を抽出した。 RSNA-ASNR-MICCAI BraTS 2021チャレンジデータセットを用いて,提案手法のトレーニングと評価を行い,課題への予測を提出した。
  論文  参考訳（メタデータ） (2021-09-25T11:07:46Z)
• Self-supervised Tumor Segmentation through Layer Decomposition [31.89022187980646]
  腫瘍の分節に対する自己監督的アプローチを提案する。 具体的には、下流タスクに自己教師付き学習モデルを直接適用すべきゼロショット設定を提唱する。
  論文  参考訳（メタデータ） (2021-09-07T17:58:35Z)
• Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
  変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。 本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
  論文  参考訳（メタデータ） (2021-01-06T17:36:26Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
  医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。 本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。 提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。