論文の概要: Taming Detection Transformers for Medical Object Detection
- arxiv url: http://arxiv.org/abs/2306.15472v1
- Date: Tue, 27 Jun 2023 13:46:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-28 13:22:56.576568
- Title: Taming Detection Transformers for Medical Object Detection
- Title(参考訳): 医療用物体検出用タンピング検出トランス
- Authors: Marc K. Ickler, Michael Baumgartner, Saikat Roy, Tassilo Wald, Klaus
H. Maier-Hein
- Abstract要約: 本稿では,検出TR(Detection TRansformer)モデルの有効性について検討する。
以前の研究とは対照的に、これらのモデルはアンカーや手動のボリュームに頼らずに、一連のオブジェクトを直接予測する。
4つのデータセット上で,DeTR,Conditional DETR,DINO DETRの3つのモデルを用いて広範囲な実験を行った。
- 参考スコア(独自算出の注目度): 1.3396454259579595
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The accurate detection of suspicious regions in medical images is an
error-prone and time-consuming process required by many routinely performed
diagnostic procedures. To support clinicians during this difficult task,
several automated solutions were proposed relying on complex methods with many
hyperparameters. In this study, we investigate the feasibility of DEtection
TRansformer (DETR) models for volumetric medical object detection. In contrast
to previous works, these models directly predict a set of objects without
relying on the design of anchors or manual heuristics such as
non-maximum-suppression to detect objects. We show by conducting extensive
experiments with three models, namely DETR, Conditional DETR, and DINO DETR on
four data sets (CADA, RibFrac, KiTS19, and LIDC) that these set prediction
models can perform on par with or even better than currently existing methods.
DINO DETR, the best-performing model in our experiments demonstrates this by
outperforming a strong anchor-based one-stage detector, Retina U-Net, on three
out of four data sets.
- Abstract(参考訳): 医療画像中の疑わしい領域の正確な検出は、多くの定期的な診断手順で必要とされる、エラーを起こしやすい、時間を要するプロセスである。
この困難な作業で臨床医を支援するために、多くのハイパーパラメータを持つ複雑な方法に依存するいくつかの自動化ソリューションが提案された。
本研究では,量的医学的対象検出のための検出TR(Detection TRansformer)モデルの有効性について検討した。
従来の研究とは対照的に、これらのモデルは、オブジェクトを検出するために、アンカーの設計や非最大圧縮のような手動のヒューリスティックに頼ることなく、オブジェクトの集合を直接予測する。
4つのデータセット(cada, ribfrac, kits19, lidc)について、detr, conditional detr, dino detrの3つのモデルを用いて広範な実験を行い、これらの予測モデルが既存の手法と同等あるいはそれ以上の性能を発揮することを示した。
我々の実験で最も優れたモデルであるDINO DETRは、4つのデータセットのうち3つで強力なアンカーベースの1段階検出器であるRetina U-Netよりも優れた性能を示す。
関連論文リスト
- Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-27T03:25:12Z) - Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review
and Replicability Study [60.56194508762205]
我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。
その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。
再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
論文 参考訳(メタデータ) (2023-04-21T11:54:44Z) - Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for
Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。
具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。
この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文 参考訳(メタデータ) (2023-02-08T07:11:36Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - See Eye to Eye: A Lidar-Agnostic 3D Detection Framework for Unsupervised
Multi-Target Domain Adaptation [7.489722641968593]
本稿では,ライダー間における最先端3D検出器の性能伝達のための,教師なしマルチターゲットドメイン適応フレームワークであるSEEを提案する。
提案手法は,検出ネットワークに渡す前に,基礎となる形状を補間し,異なるライダーからの物体の走査パターンを正規化する。
我々は、SEEが公開データセット上で有効であること、最先端の成果を達成できること、そして、我々のフレームワークの産業的応用を証明するために、新しい高解像度ライダーに定量的な結果を提供することを実証する。
論文 参考訳(メタデータ) (2021-11-17T23:46:47Z) - How Reliable are Model Diagnostics? [42.093455517364]
学習済み言語モデルに対する最近の3つの診断テストを批判的に検討する。
確率ベースと表現ベースのモデル診断は、以前想定したほど信頼できないことが分かりました。
論文 参考訳(メタデータ) (2021-05-12T13:20:20Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z) - Sampling for Deep Learning Model Diagnosis (Technical Report) [5.8057675678464555]
ディープニューラルネットワークのブラックボックスの性質は、医学的診断などの応用における採用の障壁である。
我々は,これらのモデルデバッグクエリに対して,近似的だが正確な結果を生成する新しいデータサンプリング手法を開発した。
本手法は,1つの標準的なコンピュータビジョンと1つの科学的データセットで評価し,クエリの精度において,サンプリング手法が様々な最先端の代替技術より優れていることを示す。
論文 参考訳(メタデータ) (2020-02-22T19:24:16Z)
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。