論文の概要: Clinically Labeled Contrastive Learning for OCT Biomarker Classification
- arxiv url: http://arxiv.org/abs/2305.15154v1
- Date: Wed, 24 May 2023 13:51:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 15:40:18.689172
- Title: Clinically Labeled Contrastive Learning for OCT Biomarker Classification
- Title（参考訳）: octバイオマーカー分類のための臨床ラベル付きコントラスト学習
- Authors: Kiran Kokilepersaud, Stephanie Trejo Corona, Mohit Prabhushankar,
Ghassan AlRegib, Charles Wykoff
- Abstract要約: 本稿では,臨床データから抽出可能なラベルに基づく医用画像のコントラスト学習手法を提案する。
バイオマーカーラベルを使わずに,臨床データを擬似ラベルとして利用することで,この関係を活用できる。
バイオマーカー検出AUROCでは,最大5%の性能向上が見られた。
- 参考スコア（独自算出の注目度）: 12.633032175875865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a novel positive and negative set selection strategy for
contrastive learning of medical images based on labels that can be extracted
from clinical data. In the medical field, there exists a variety of labels for
data that serve different purposes at different stages of a diagnostic and
treatment process. Clinical labels and biomarker labels are two examples. In
general, clinical labels are easier to obtain in larger quantities because they
are regularly collected during routine clinical care, while biomarker labels
require expert analysis and interpretation to obtain. Within the field of
ophthalmology, previous work has shown that clinical values exhibit
correlations with biomarker structures that manifest within optical coherence
tomography (OCT) scans. We exploit this relationship by using the clinical data
as pseudo-labels for our data without biomarker labels in order to choose
positive and negative instances for training a backbone network with a
supervised contrastive loss. In this way, a backbone network learns a
representation space that aligns with the clinical data distribution available.
Afterwards, we fine-tune the network trained in this manner with the smaller
amount of biomarker labeled data with a cross-entropy loss in order to classify
these key indicators of disease directly from OCT scans. We also expand on this
concept by proposing a method that uses a linear combination of clinical
contrastive losses. We benchmark our methods against state of the art
self-supervised methods in a novel setting with biomarkers of varying
granularity. We show performance improvements by as much as 5\% in total
biomarker detection AUROC.
- Abstract（参考訳）: 本稿では,臨床データから抽出可能なラベルに基づく医用画像の対比学習のための,新しい正負のセット選択戦略を提案する。
医学分野では、診断と治療のプロセスの異なる段階で異なる目的のために機能するデータのための様々なラベルが存在する。
臨床ラベルとバイオマーカーは2つの例である。
一般的に、臨床ラベルは定期的な臨床治療中に定期的に収集されるため、より多くの量で入手しやすいが、バイオマーカーラベルは専門家による分析と解釈を必要とする。
眼科領域では,光学コヒーレンストモグラフィー(OCT)スキャンで現れるバイオマーカー構造と臨床値の相関が示されている。
この関係をバイオマーカーラベルのないデータのための擬似ラベルとして臨床データを用いて活用し,教師付きコントラスト損失を伴うバックボーンネットワークのトレーニングのための正のインスタンスと負のインスタンスを選択する。
このようにして、バックボーンネットワークは、利用可能な臨床データ分布に合わせて表現空間を学習する。
次に、この方法で訓練されたネットワークを、クロスエントロピー損失を伴うバイオマーカーラベルデータの少ない量で微調整し、これらの主要な疾患指標をoctスキャンから直接分類する。
また,臨床のコントラスト損失を線形に組み合わせた手法を提案することで,この概念を拡大する。
我々は, 異なる粒度のバイオマーカーを用いた新しい環境下で, 自己管理手法の状態を評価した。
総バイオマーカー検出AUROCでは,最大5倍の性能向上を示した。
関連論文リスト
- Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。
現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。
本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
論文 参考訳（メタデータ） (2024-05-12T11:30:01Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Self-Supervised Learning of Gait-Based Biomarkers [0.0]
マーカーレスモーションキャプチャー(MMC)は、よりアクセスしやすくすることで、臨床環境で歩行分析に革命をもたらしている。
画像処理から自然言語処理まで、さまざまな分野において、大量の無注釈データからの自己教師付き学習(SSL)は下流タスクに非常に効果的な表現をもたらす。
注釈のない歩行データに対する対照的な学習は、臨床的に意味のある情報をキャプチャする表現を学習する。
論文 参考訳（メタデータ） (2023-07-30T21:04:17Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Clinical Contrastive Learning for Biomarker Detection [15.510581400494207]
臨床とバイオマーカーデータの関係を利用して,バイオマーカー分類の性能を向上する。
これは、バイオマーカーラベルを使わずに、大量の臨床データを擬似ラベルとして活用することで達成される。
本手法は, バイオマーカー検出の精度を最大5%向上させることで, 自己監督手法の精度を最大で5%向上させることを示した。
論文 参考訳（メタデータ） (2022-11-09T18:29:56Z) - OLIVES Dataset: Ophthalmic Labels for Investigating Visual Eye Semantics [11.343658407664918]
本稿では,眼球運動(OLIVES)データセットを探索するための眼球運動ラベルについて紹介する。
これは、臨床ラベル、バイオマーカーラベル、疾患ラベル、時系列患者の治療情報を含む、OCTおよび近赤外ファンドの最初のデータセットである。
少なくとも2年間の平均96個の目のデータがあり、それぞれの目は平均66週と7回の注射で治療されている。
論文 参考訳（メタデータ） (2022-09-22T17:36:40Z) - Cross-Lingual Knowledge Transfer for Clinical Phenotyping [55.92262310716537]
本稿では,英語を使わないクリニックに対して,このタスクを実行するための言語間知識伝達戦略について検討する。
ギリシャ語とスペイン語のクリニックに対して,異なる臨床領域のクリニカルノートを活用して,これらの戦略を評価する。
以上の結果から,多言語データを用いることで,臨床表現型モデルが改善され,データの疎度を補うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2022-08-03T08:33:21Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Learning Image Labels On-the-fly for Training Robust Classification
Models [13.669654965671604]
ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。
メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
論文 参考訳（メタデータ） (2020-09-22T05:38:44Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - 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)
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。