Fugu-MT 論文翻訳(概要): Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays

論文の概要: Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays

arxiv url: http://arxiv.org/abs/2309.04462v1
Date: Fri, 8 Sep 2023 17:50:55 GMT
ステータス: 処理完了
システム内更新日: 2023-09-11 12:45:31.967612
Title: Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays
Title（参考訳）: 胸部x線のための一般化クロスドメイン・マルチラベル・マイノショット学習
Authors: Aroof Aimen, Arsh Verma, Makarand Tapaswi, Narayanan C. Krishnan
Abstract要約: 汎用クロスドメイン多言語Few-Shot Learning(GenCDML-FSL)という統合フレームワークを提案する。このフレームワークは、トレーニングおよび評価中のクラスにおけるオーバーラップをサポートし、クロスドメイン転送、メタラーニングを採用して学習し、各胸部X線像が正常であるか1つ以上の異常と関連していると仮定する。我々はまた、GenCDML-FSLシナリオで観察される複数の課題でモデルを運用するための訓練戦略であるGeneralized Episodic Training (GenET)を提案する。
参考スコア（独自算出の注目度）: 17.40501022276723
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Real-world application of chest X-ray abnormality classification requires dealing with several challenges: (i) limited training data; (ii) training and evaluation sets that are derived from different domains; and (iii) classes that appear during training may have partial overlap with classes of interest during evaluation. To address these challenges, we present an integrated framework called Generalized Cross-Domain Multi-Label Few-Shot Learning (GenCDML-FSL). The framework supports overlap in classes during training and evaluation, cross-domain transfer, adopts meta-learning to learn using few training samples, and assumes each chest X-ray image is either normal or associated with one or more abnormalities. Furthermore, we propose Generalized Episodic Training (GenET), a training strategy that equips models to operate with multiple challenges observed in the GenCDML-FSL scenario. Comparisons with well-established methods such as transfer learning, hybrid transfer learning, and multi-label meta-learning on multiple datasets show the superiority of our approach.
Abstract（参考訳）: 胸部X線異常分類の現実的応用には,いくつかの課題がある。 (i)限られた訓練データ二異なる領域から派生した訓練及び評価セット (iii) 研修中に現れるクラスは、評価中に興味のあるクラスと部分的に重複する可能性がある。これらの課題に対処するため,汎用クロスドメイン多言語Few-Shot Learning (GenCDML-FSL) という統合フレームワークを提案する。このフレームワークは、トレーニングおよび評価中のクラスにおけるオーバーラップ、クロスドメイン転送、メタラーニングの採用、少数のトレーニングサンプルによる学習、および各胸部X線像が正常であるか1つ以上の異常と関連していると仮定する。さらに,GenCDML-FSLシナリオで観測される複数の課題にモデルを組み込む訓練戦略であるGeneralized Episodic Training (GenET)を提案する。複数のデータセットにおける転送学習,ハイブリッドトランスファー学習,マルチラベルメタラーニングといった,確立された手法との比較は,我々のアプローチの優位性を示している。

関連論文リスト

Cross-Modal Few-Shot Learning: a Generative Transfer Learning Framework [58.362064122489166]
本稿では,複数モーダルからインスタンスを識別するクロスモーダルなFew-Shot Learningタスクを提案する。本稿では,1つの段階からなる生成的転帰学習フレームワークを提案する。1つは豊富な一助データに対する学習を伴い,もう1つは新しいデータに適応するための転帰学習に焦点を当てる。以上の結果から,GTLは4つの異なるマルチモーダルデータセット間の最先端手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2024-10-14T16:09:38Z)
Gradient-Map-Guided Adaptive Domain Generalization for Cross Modality MRI Segmentation [14.209197648189203]
クロスモーダルMRIセグメンテーションはコンピュータ支援医療診断において非常に有用であり、柔軟なデータ取得とモデル一般化を可能にしている。既存のほとんどのメソッドは、ドメインシフトの局所的な変動を扱うのに困難であり、通常、トレーニングのためにかなりの量のデータを必要とする。本稿では,画像勾配図に基づく学習自由なクロスドメイン表現を統合した適応型ドメイン一般化フレームワークを提案する。
論文参考訳（メタデータ） (2023-11-16T10:07:27Z)
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)
Multi-Domain Balanced Sampling Improves Out-of-Distribution Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
論文参考訳（メタデータ） (2021-12-27T15:28:01Z)
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)
Knowledge-Guided Multiview Deep Curriculum Learning for Elbow Fracture Classification [4.305082635886227]
肘部骨折の診断には, 肘X線像の正面像と側方像の両方を撮影する必要があることが多い。肘骨折サブタイプ分類課題に対する多視点深層学習法を提案する。
論文参考訳（メタデータ） (2021-10-20T05:42:20Z)
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)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
Few-Shot Learning as Domain Adaptation: Algorithm and Analysis [120.75020271706978]
わずかながらの学習は、目に見えないクラスを認識するために、目に見えないクラスから学んだ事前知識を使用する。このクラス差による分布シフトは、ドメインシフトの特別なケースとみなすことができる。メタラーニングフレームワークにおいて、そのようなドメインシフト問題に明示的に対処するために、注意を向けたプロトタイプドメイン適応ネットワーク(DAPNA)を提案する。
論文参考訳（メタデータ） (2020-02-06T01:04:53Z)

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。