Fugu-MT 論文翻訳(概要): Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks

論文の概要: Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks

arxiv url: http://arxiv.org/abs/2307.00899v1
Date: Mon, 3 Jul 2023 09:52:54 GMT
ステータス: 処理完了
システム内更新日: 2023-07-05 13:40:44.162987
Title: Many tasks make light work: Learning to localise medical anomalies from multiple synthetic tasks
Title（参考訳）: 多くのタスクが軽い仕事をする: 複数の合成タスクから医療異常をローカライズする学習
Authors: Matthew Baugh, Jeremy Tan, Johanna P. M\"uller, Mischa Dombrowski, James Batten and Bernhard Kainz
Abstract要約: シングルクラスモデリングとアウト・オブ・ディストリビューション検出への関心が高まっている。完全な教師付き機械学習モデルは、トレーニングに含まれていないクラスを確実に識別することはできない。我々は,複数の視覚的に識別可能な合成異常学習タスクを,トレーニングと検証の両方に利用している。
参考スコア（独自算出の注目度）: 2.912977051718473
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There is a growing interest in single-class modelling and out-of-distribution detection as fully supervised machine learning models cannot reliably identify classes not included in their training. The long tail of infinitely many out-of-distribution classes in real-world scenarios, e.g., for screening, triage, and quality control, means that it is often necessary to train single-class models that represent an expected feature distribution, e.g., from only strictly healthy volunteer data. Conventional supervised machine learning would require the collection of datasets that contain enough samples of all possible diseases in every imaging modality, which is not realistic. Self-supervised learning methods with synthetic anomalies are currently amongst the most promising approaches, alongside generative auto-encoders that analyse the residual reconstruction error. However, all methods suffer from a lack of structured validation, which makes calibration for deployment difficult and dataset-dependant. Our method alleviates this by making use of multiple visually-distinct synthetic anomaly learning tasks for both training and validation. This enables more robust training and generalisation. With our approach we can readily outperform state-of-the-art methods, which we demonstrate on exemplars in brain MRI and chest X-rays. Code is available at https://github.com/matt-baugh/many-tasks-make-light-work .
Abstract（参考訳）: 完全な教師付き機械学習モデルは、トレーニングに含まれていないクラスを確実に識別できないため、シングルクラスモデリングと分散検出への関心が高まっている。例えば、スクリーニング、トリアージ、品質管理など、現実世界のシナリオにおける無限に多くの分散クラスの長いテールは、例えば、厳密に健全なボランティアデータのみから、期待される機能分布を表すシングルクラスモデルを訓練することがしばしば必要となることを意味する。従来の教師付き機械学習は、あらゆる画像モダリティにおいて可能なすべての疾患の十分なサンプルを含むデータセットの収集を必要とするが、現実的ではない。合成異常を伴う自己教師あり学習法は現在最も有望な手法の1つであり、残差再構成誤差を分析する生成的オートエンコーダと並んでいる。しかしながら、すべてのメソッドは構造化検証の欠如に苦しんでいるため、デプロイメントのキャリブレーションが難しく、データセットに依存しない。本手法は,複数の視覚的に識別可能な合成異常学習タスクをトレーニングと検証の両方に利用することにより,これを緩和する。これにより、より堅牢なトレーニングと一般化が可能になる。我々は,脳MRIや胸部X線検査において,最先端の手法よりも容易に性能を向上できることを示す。コードはhttps://github.com/matt-baugh/many-tasks-make-light-workで入手できる。

関連論文リスト

Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文参考訳（メタデータ） (2024-04-23T16:01:33Z)
Learning Defect Prediction from Unrealistic Data [57.53586547895278]
事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。このようなモデルは大きい傾向があり、訓練データの総量を必要とする。人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
論文参考訳（メタデータ） (2023-11-02T01:51:43Z)
A Generic Machine Learning Framework for Fully-Unsupervised Anomaly Detection with Contaminated Data [0.0]
本稿では,ADタスクに対する汚染されたトレーニングデータの完全教師なし改善のためのフレームワークを提案する。このフレームワークは汎用的であり、任意の残差ベースの機械学習モデルに適用することができる。本研究は, 改質を伴わない汚染データを用いた学習において, ナイーブなアプローチよりも明らかに優れていることを示す。
論文参考訳（メタデータ） (2023-08-25T12:47:59Z)
nnOOD: A Framework for Benchmarking Self-supervised Anomaly Localisation Methods [4.31513157813239]
nnOOD は nnU-Net に適応し、自己教師付き異常局所化法の比較を可能にする。我々は現在の最先端タスクを実装し、それを挑戦的なX線データセットで評価する。
論文参考訳（メタデータ） (2022-09-02T15:34:02Z)
Generalized Multi-Task Learning from Substantially Unlabeled Multi-Source Medical Image Data [11.061381376559053]
MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
論文参考訳（メタデータ） (2021-10-25T18:09:19Z)
Task-agnostic Continual Learning with Hybrid Probabilistic Models [75.01205414507243]
分類のための連続学習のためのハイブリッド生成識別手法であるHCLを提案する。フローは、データの配布を学習し、分類を行い、タスクの変更を特定し、忘れることを避けるために使用される。本研究では,スプリット-MNIST,スプリット-CIFAR,SVHN-MNISTなどの連続学習ベンチマークにおいて,HCLの強い性能を示す。
論文参考訳（メタデータ） (2021-06-24T05:19:26Z)
Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-03-01T01:43:04Z)
MultiMix: Sparingly Supervised, Extreme Multitask Learning From Medical Images [13.690075845927606]
本稿では,病気の分類と解剖学的分類を軽視的に学習する新しいマルチタスク学習モデルであるMultiMixを提案する。胸部X線画像からの肺炎の分類と肺の分画に対するマルチタスキングモデルの有効性について検討した。
論文参考訳（メタデータ） (2020-10-28T03:47:29Z)
Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文参考訳（メタデータ） (2020-06-22T15:07:06Z)
Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文参考訳（メタデータ） (2020-06-19T20:41:58Z)
Partly Supervised Multitask Learning [19.64371980996412]
胸部X線データを用いた実験結果から,S$4$MTLモデルは半教師付き単一タスク,半教師付きマルチタスク,完全教師付き単一タスクモデルよりも優れていたことが示唆された。提案手法は, 医用画像領域だけでなく, 汎用視覚タスクにも有効である, という仮説を立てる。
論文参考訳（メタデータ） (2020-05-05T22:42:12Z)

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。