論文の概要: Self-Supervised Multi-Modality Learning for Multi-Label Skin Lesion Classification

• arxiv url: http://arxiv.org/abs/2310.18583v2
• Date: Thu, 16 Nov 2023 05:02:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 22:23:13.928380
• Title: Self-Supervised Multi-Modality Learning for Multi-Label Skin Lesion Classification
• Title（参考訳）: 多層皮膚病変分類のための自己教師付きマルチモダリティ学習
• Authors: Hao Wang, Euijoon Ahn, Lei Bi, Jinman Kim
• Abstract要約: マルチモーダル皮膚病変分類のための自己教師付き学習アルゴリズムを提案する。 本アルゴリズムは,2対の皮膚内視鏡像と臨床像との類似性を最大化することにより,マルチモーダリティ学習を実現する。 以上の結果から,我々のアルゴリズムは最先端のSSLよりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 15.757141597485374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The clinical diagnosis of skin lesion involves the analysis of dermoscopic and clinical modalities. Dermoscopic images provide a detailed view of the surface structures whereas clinical images offer a complementary macroscopic information. The visual diagnosis of melanoma is also based on seven-point checklist which involves identifying different visual attributes. Recently, supervised learning approaches such as convolutional neural networks (CNNs) have shown great performances using both dermoscopic and clinical modalities (Multi-modality). The seven different visual attributes in the checklist are also used to further improve the the diagnosis. The performances of these approaches, however, are still reliant on the availability of large-scaled labeled data. The acquisition of annotated dataset is an expensive and time-consuming task, more so with annotating multi-attributes. To overcome this limitation, we propose a self-supervised learning (SSL) algorithm for multi-modality skin lesion classification. Our algorithm enables the multi-modality learning by maximizing the similarities between paired dermoscopic and clinical images from different views. In addition, we generate surrogate pseudo-multi-labels that represent seven attributes via clustering analysis. We also propose a label-relation-aware module to refine each pseudo-label embedding and capture the interrelationships between pseudo-multi-labels. We validated the effectiveness of our algorithm using well-benchmarked seven-point skin lesion dataset. Our results show that our algorithm achieved better performances than other state-of-the-art SSL counterparts.
• Abstract（参考訳）: 皮膚病変の臨床的診断には、皮膚内視鏡的および臨床的モダリティの分析が含まれる。 皮膚内視鏡像は表面構造を詳細に把握し,臨床像は相補的なマクロ画像を提供する。 メラノーマの視覚診断は、異なる視覚特性を識別する7点チェックリストにも基づいている。 近年,畳み込みニューラルネットワーク(cnns)などの教師付き学習手法が,皮膚内視鏡的・臨床的モダリティ(マルチモダリティ)の両方を用いた優れた性能を示している。 チェックリスト内の7つの異なる視覚的属性も、診断をさらに改善するために使用される。 しかし、これらの手法の性能は、大規模ラベル付きデータの可用性に依存している。 アノテーション付きデータセットの取得は、複数の属性をアノテートするよりも、高価で時間のかかる作業である。 この制限を克服するために,多モード皮膚病変分類のための自己教師付き学習(SSL)アルゴリズムを提案する。 本アルゴリズムは,異なる視点から両眼視像と臨床像の類似性を最大化することにより,マルチモーダリティ学習を実現する。 さらに,クラスタリング解析により7つの属性を表す擬似複数ラベルを生成する。 また,各擬似ラベル埋め込みを改良し,擬似複数ラベル間の相互関係を捉えるラベル対応モジュールを提案する。 7点皮膚病変データセットを用いて本アルゴリズムの有効性を検証した。 以上の結果から,我々のアルゴリズムは最先端のSSLよりも優れた性能を示した。

関連論文リスト

• A Novel Perspective for Multi-modal Multi-label Skin Lesion Classification [20.05980794886644]
  本稿ではマルチモーダルマルチラベルトランスフォーマーモデル(SkinM2Former)を用いた皮膚病変について述べる。 SkinM2Formerは、平均平均精度77.27%、平均診断精度77.85%を公開Derm7ptデータセットで達成し、最先端(SOTA)法より優れている。
  論文  参考訳（メタデータ） (2024-09-19T01:31:38Z)
• Pay Less On Clinical Images: Asymmetric Multi-Modal Fusion Method For Efficient Multi-Label Skin Lesion Classification [6.195015783344803]
  既存のマルチモーダルアプローチは主に、高度な融合モジュールによるマルチラベル皮膚病変分類性能の向上に重点を置いている。 本稿では, 効率的な多ラベル皮膚病変分類のための新しい非対称多モード融合法を提案する。
  論文  参考訳（メタデータ） (2024-07-13T20:46:04Z)
• 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)
• Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
  本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。 本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-07-04T13:19:57Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Graph-Based Intercategory and Intermodality Network for Multilabel Classification and Melanoma Diagnosis of Skin Lesions in Dermoscopy and Clinical Images [10.164261744114645]
  7-point visual category checklist (7PC) によるメラノーマ診断 7pcは分類を支援するカテゴリ間の内在的な関係を含んでいる。 現在の最先端の手法は、1つの画像のモダリティに焦点を合わせ、他方からの情報を無視する。 本研究では,2つのモジュールを持つGIIN(Graph-based intercategory and Intermodality Network)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T02:06:48Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Semi-Supervised Active Learning for COVID-19 Lung Ultrasound Multi-symptom Classification [13.878896181984262]
  本稿では,複雑な特徴をモデル化し,ラベリングコストを削減するため,TSAL法を提案する。 そこで本研究では,多症状多ラベル(MSML)分類ネットワークを提案し,肺症状の識別的特徴について検討した。 678本の動画から6,836枚の画像が採取された71人の臨床患者を含む、COVID19-LUSMSという新しい肺データセットが構築されている。
  論文  参考訳（メタデータ） (2020-09-09T10:45:34Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。