論文の概要: See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging

• arxiv url: http://arxiv.org/abs/2306.15574v1
• Date: Tue, 27 Jun 2023 15:53:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-28 12:54:13.298242
• Title: See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging
• Title（参考訳）: see through the fog: 医学画像における進行性咬合を伴うカリキュラム学習
• Authors: Pradeep Singh, Kishore Babu Nampalle, Uppala Vivek Narayan, Balasubramanian Raman
• Abstract要約: ディープラーニングモデルは、重要な特徴が部分的に、あるいは完全に排除された、困難なイメージに苦しむことが多い。 本稿では,隠蔽された医用画像の処理を効果的に行うために,ディープラーニングモデルを訓練するためのカリキュラムベースの新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 15.382184404673389
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, deep learning models have revolutionized medical image interpretation, offering substantial improvements in diagnostic accuracy. However, these models often struggle with challenging images where critical features are partially or fully occluded, which is a common scenario in clinical practice. In this paper, we propose a novel curriculum learning-based approach to train deep learning models to handle occluded medical images effectively. Our method progressively introduces occlusion, starting from clear, unobstructed images and gradually moving to images with increasing occlusion levels. This ordered learning process, akin to human learning, allows the model to first grasp simple, discernable patterns and subsequently build upon this knowledge to understand more complicated, occluded scenarios. Furthermore, we present three novel occlusion synthesis methods, namely Wasserstein Curriculum Learning (WCL), Information Adaptive Learning (IAL), and Geodesic Curriculum Learning (GCL). Our extensive experiments on diverse medical image datasets demonstrate substantial improvements in model robustness and diagnostic accuracy over conventional training methodologies.
• Abstract（参考訳）: 近年,深層学習モデルが医療画像解釈に革命をもたらし,診断精度が大幅に向上している。 しかし、これらのモデルは、重要な特徴が部分的にあるいは完全に隠蔽されている難解な画像に苦しむことが多い。 本稿では,隠蔽医療画像の処理を効果的に行うために,ディープラーニングモデルを訓練するためのカリキュラムベースの新しいアプローチを提案する。 本手法では, 明瞭で障害物のない画像から, 閉塞レベルが増大する画像へ徐々に移動し, 閉塞度を増大させる。 この順序付けられた学習プロセスは、人間学習と同様に、モデルがまず、単純で識別可能なパターンを把握し、その後、より複雑で難解なシナリオを理解するための知識を構築します。 さらに,WCL(Warsserstein Curriculum Learning),ial(Information Adaptive Learning),Geodesic Curriculum Learning(GCL)の3つの新しいオクルージョン合成手法を提案する。 各種医用画像データセットに関する広範な実験により,従来の訓練法に比べてモデル堅牢性と診断精度が大幅に向上した。

関連論文リスト

• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• Fine-Grained Self-Supervised Learning with Jigsaw Puzzles for Medical Image Classification [11.320414512937946]
  微細な病変の分類は、医療画像の微妙で微妙な違いのため困難である。 医用画像の微妙な病変を分類するためのFG-SSL法を提案する。 各種医用画像認識データセットを用いた包括的実験において,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-08-10T02:08:15Z)
• Few-Shot Classification of Skin Lesions from Dermoscopic Images by Meta-Learning Representative Embeddings [1.957558771641347]
  稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。 少ないショットラーニングとメタラーニングは、低いデータレシエーションでうまく機能することを目指して、これらの問題を克服することを目的としている。 本稿では,皮膚内視鏡画像の分類におけるメタラーニングの改善に焦点をあてる。
  論文  参考訳（メタデータ） (2022-10-30T21:27:15Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Continual Active Learning for Efficient Adaptation of Machine Learning Models to Changing Image Acquisition [3.205205037629335]
  医用画像のデータストリームを用いた連続的能動学習手法を提案する。 新たな画像ソース(ドメイン)のシフトや追加を認識し、トレーニングを順応する。 提案手法は,手動ラベリングを少なくしながら,能動的学習に優れることを示した。
  論文  参考訳（メタデータ） (2021-06-07T05:39:06Z)
• Unsupervised Medical Image Alignment with Curriculum Learning [16.72680081620203]
  変形可能な3次元医用画像登録作業において、畳み込みニューラルネットワークを訓練するための異なるカリキュラム学習方法を検討する。 基礎となる最先端のディープラーニングモデルを用いた実験により,カリキュラム学習が従来の学習よりも優れた結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-02-20T20:26:01Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)

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。