論文の概要: Harvard Glaucoma Detection and Progression: A Multimodal Multitask
Dataset and Generalization-Reinforced Semi-Supervised Learning
- arxiv url: http://arxiv.org/abs/2308.13411v1
- Date: Fri, 25 Aug 2023 14:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 13:43:28.114084
- Title: Harvard Glaucoma Detection and Progression: A Multimodal Multitask
Dataset and Generalization-Reinforced Semi-Supervised Learning
- Title（参考訳）: Harvard Glaucoma Detection and Progression: A Multimodal Multitask Dataset and Generalization-Reinforced Semi-Supervised Learning
- Authors: Yan Luo, Min Shi, Yu Tian, Tobias Elze, Mengyu Wang
- Abstract要約: 我々は、ラベルのないデータを活用するために擬似スーパーバイザと呼ばれる新しい半教師付き学習(SSL)モデルを開発した。
次に、Harvard Glaucoma Detection and Progression (Harvard-GDP)データセットをリリースします。
これは、3D OCTイメージングデータと、一般公開されている最初の緑内障進展予測データセットを備えた、最大の緑内障検出データセットである。
- 参考スコア（独自算出の注目度）: 16.465424871839627
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Glaucoma is the number one cause of irreversible blindness globally. A major
challenge for accurate glaucoma detection and progression forecasting is the
bottleneck of limited labeled patients with the state-of-the-art (SOTA) 3D
retinal imaging data of optical coherence tomography (OCT). To address the data
scarcity issue, this paper proposes two solutions. First, we develop a novel
generalization-reinforced semi-supervised learning (SSL) model called pseudo
supervisor to optimally utilize unlabeled data. Compared with SOTA models, the
proposed pseudo supervisor optimizes the policy of predicting pseudo labels
with unlabeled samples to improve empirical generalization. Our pseudo
supervisor model is evaluated with two clinical tasks consisting of glaucoma
detection and progression forecasting. The progression forecasting task is
evaluated both unimodally and multimodally. Our pseudo supervisor model
demonstrates superior performance than SOTA SSL comparison models. Moreover,
our model also achieves the best results on the publicly available LAG fundus
dataset. Second, we introduce the Harvard Glaucoma Detection and Progression
(Harvard-GDP) Dataset, a multimodal multitask dataset that includes data from
1,000 patients with OCT imaging data, as well as labels for glaucoma detection
and progression. This is the largest glaucoma detection dataset with 3D OCT
imaging data and the first glaucoma progression forecasting dataset that is
publicly available. Detailed sex and racial analysis are provided, which can be
used by interested researchers for fairness learning studies. Our released
dataset is benchmarked with several SOTA supervised CNN and transformer deep
learning models. The dataset and code are made publicly available via
\url{https://ophai.hms.harvard.edu/datasets/harvard-gdp1000}.
- Abstract（参考訳）: 緑内障は世界規模で不可逆性の盲目の原因の1つだ。
光コヒーレンス断層撮影(oct)の最先端(sota)3d網膜イメージングデータを有する限定ラベル患者のボトルネックは、正確な緑内障検出と進行予測のための大きな課題である。
データ不足問題に対処するため,本稿では2つの解決策を提案する。
まず,新しい一般化強化半教師付き学習(ssl)モデルであるpseudo supervisorを開発し,ラベルなしデータを最適に活用する。
sotaモデルと比較すると,提案する擬似スーパーバイザはラベルなしサンプルで擬似ラベルを予測するポリシーを最適化し,経験的一般化を改善する。
緑内障検出と進行予測の2つの臨床課題から,疑似スーパーバイザーモデルの評価を行った。
進行予測タスクは、一様かつ多様に評価される。
擬似スーパーバイザモデルはSOTA SSL比較モデルよりも優れた性能を示す。
さらに,本モデルでは,一般公開されたLAGファンドデータセットの最良の結果も得られる。
第2にHarvard-GDP(Harvard Glaucoma Detection and Progression)データセットを導入する。これはマルチモーダルなマルチタスクデータセットで,OCT画像データ1,000例のデータと緑内障検出と進行のラベルを含む。
これは3d oct画像データを持つ最大の緑内障検出データセットであり、一般公開されている最初の緑内障進行予測データセットである。
詳細な性別と人種分析が提供され、興味のある研究者がフェアネス学習研究に利用することができる。
我々のリリースデータセットは、いくつかのSOTA教師付きCNNとトランスフォーマー深層学習モデルでベンチマークされている。
データセットとコードは \url{https://ophai.hms.harvard.edu/datasets/harvard-gdp1000} で公開されている。
関連論文リスト
- Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。
より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。
さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
論文 参考訳（メタデータ） (2024-09-17T17:22:35Z) - Automated Detection of Myopic Maculopathy in MMAC 2023: Achievements in
Classification, Segmentation, and Spherical Equivalent Prediction [6.993091116816899]
筋萎縮性黄斑変性は、病理性近視症患者の視力喪失の主要な原因である。
早期発見と即時治療は、筋萎縮性黄斑症による視力障害の予防に不可欠である。
これがMMAC(Myopic Maculopathy Analysis Challenge)の焦点であった。
論文 参考訳（メタデータ） (2024-01-08T00:26:21Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-02T04:42:08Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Augment and Criticize: Exploring Informative Samples for Semi-Supervised
Monocular 3D Object Detection [64.65563422852568]
我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。
我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。
3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
論文 参考訳（メタデータ） (2023-03-20T16:28:15Z) - Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。
視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。
人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
論文 参考訳（メタデータ） (2023-03-16T00:06:28Z) - VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。
我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。
本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-25T17:55:31Z) - A Real Use Case of Semi-Supervised Learning for Mammogram Classification
in a Local Clinic of Costa Rica [0.5541644538483946]
ディープラーニングモデルのトレーニングには、かなりの量のラベル付きイメージが必要です。
多くの公開データセットが、さまざまな病院や診療所のデータで構築されている。
ラベルなしデータを利用した半教師付き深層学習手法であるMixMatchを提案し評価した。
論文 参考訳（メタデータ） (2021-07-24T22:26:50Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。