Fugu-MT 論文翻訳(概要): Multi-task learning for classification, segmentation, reconstruction, and detection on chest CT scans

論文の概要: Multi-task learning for classification, segmentation, reconstruction, and detection on chest CT scans

arxiv url: http://arxiv.org/abs/2308.01137v1
Date: Wed, 2 Aug 2023 13:28:44 GMT
ステータス: 処理完了
システム内更新日: 2023-08-03 13:03:34.453156
Title: Multi-task learning for classification, segmentation, reconstruction, and detection on chest CT scans
Title（参考訳）: 胸部ctスキャンにおける分類・分割・再構成・検出のためのマルチタスク学習
Authors: Weronika Hryniewska-Guzik, Maria K\k{e}dzierska, Przemys{\l}aw Biecek
Abstract要約: 肺がんとコビッド19は、世界で最も高い死亡率と死亡率の1つである。本稿では,分類,セグメンテーション,再構築,検出のための新しいマルチタスクフレームワークを提案する。
参考スコア（独自算出の注目度）: 4.91155110560629
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lung cancer and covid-19 have one of the highest morbidity and mortality rates in the world. For physicians, the identification of lesions is difficult in the early stages of the disease and time-consuming. Therefore, multi-task learning is an approach to extracting important features, such as lesions, from small amounts of medical data because it learns to generalize better. We propose a novel multi-task framework for classification, segmentation, reconstruction, and detection. To the best of our knowledge, we are the first ones who added detection to the multi-task solution. Additionally, we checked the possibility of using two different backbones and different loss functions in the segmentation task.
Abstract（参考訳）: 肺がんとcovid-19は、世界で最も高い死亡率と死亡率である。医師にとって、病変の同定は疾患の初期段階で困難であり、時間を要する。したがって、マルチタスク学習は、より一般化することを学ぶため、少量の医療データから病変などの重要な特徴を抽出するアプローチである。本稿では,分類,セグメンテーション,再構築,検出のための新しいマルチタスクフレームワークを提案する。私たちの知る限りでは、マルチタスクソリューションに検出を追加したのは当社が初めてです。さらに、セグメンテーションタスクで2つの異なるバックボーンと異なる損失関数を使用する可能性を検証した。

関連論文リスト

Multi-task Learning To Improve Semantic Segmentation Of CBCT Scans Using Image Reconstruction [0.8739101659113155]
マルチタスク学習によるCBCTの自動セグメンテーションの改善を目指す。まず,形態素に基づく正規化を加えるためにマルチタスク学習を行う。第2に、この再構築タスクを使用して、最高のCBCTを再構築する。
論文参考訳（メタデータ） (2023-12-20T12:48:18Z)
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)
MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文参考訳（メタデータ） (2023-10-03T12:19:19Z)
Adapter Learning in Pretrained Feature Extractor for Continual Learning of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。 ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文参考訳（メタデータ） (2023-04-18T15:01:45Z)
Multi-Task Learning for Post-transplant Cause of Death Analysis: A Case Study on Liver Transplant [65.85767739748901]
移植後の死因は、臨床的意思決定の強力なツールである。 Model for End-stage Liver Disease (MELD) スコアや従来の機械学習 (ML) メソッドのような従来の手法は、CoD 解析において限られている。我々は,多タスク学習を利用したCoD-MTLと呼ばれる新しいフレームワークを提案し,様々なCoD予測タスク間の意味関係をモデル化する。
論文参考訳（メタデータ） (2023-03-30T01:31:49Z)
Classification in Histopathology: A unique deep embeddings extractor for multiple classification tasks [0.0]
私たちは、イメージを深い特徴に変換するために、訓練済みのディープ埋め込み抽出器を1つ使用しています。また、各分類タスクに対して、これらの埋め込みに対して、小さな専用分類ヘッドをトレーニングします。このアプローチは、さまざまなタスクに対して、トレーニング済みの1つのディープネットワークを再利用する機能など、いくつかのメリットを提供します。
論文参考訳（メタデータ） (2023-03-09T11:19:42Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
ProCAN: Progressive Growing Channel Attentive Non-Local Network for Lung Nodule Classification [0.0]
CT検診における肺癌の分類は,早期発見の最も重要な課題の一つである。近年、肺結節を悪性または良性に分類する深層学習モデルが提案されている。肺結節分類のためのProCAN(Progressive Growing Channel Attentive Non-Local)ネットワークを提案する。
論文参考訳（メタデータ） (2020-10-29T08:42:11Z)
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)
HF-UNet: Learning Hierarchically Inter-Task Relevance in Multi-Task U-Net for Accurate Prostate Segmentation [56.86396352441269]
我々は,CT画像における前立腺区分けの課題に取り組み,1)高速な局所化のための第1段階,2)正確に前立腺区分けを行う第2段階の2段階の2段階からなる2段階のネットワークを用いた。前立腺のセグメンテーションを第2段階に正確に分割するために、前立腺のセグメンテーションを多タスク学習フレームワークに定式化し、前立腺のセグメンテーションをセグメンテーションするメインタスクと、前立腺の境界を規定する補助タスクを含む。対照的に、従来のマルチタスクディープネットワークは、通常、すべてのタスクのパラメータ(つまり特徴表現)の大部分を共有しており、異なるタスクの特異性としてデータ適合性を制限している可能性がある。
論文参考訳（メタデータ） (2020-05-21T02:53:52Z)

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。