論文の概要: Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images
- arxiv url: http://arxiv.org/abs/2311.07321v1
- Date: Mon, 13 Nov 2023 13:20:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 14:26:23.891308
- Title: Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images
- Title（参考訳）: ドットの接続: グラフニューラルネットワークを用いたアンサンブルと医用画像の分類
- Authors: Aryan Singh, Pepijn Van de Ven, Ciar\'an Eising, Patrick Denny
- Abstract要約: 医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning models have demonstrated remarkable results for various
computer vision tasks, including the realm of medical imaging. However, their
application in the medical domain is limited due to the requirement for large
amounts of training data, which can be both challenging and expensive to
obtain. To mitigate this, pre-trained models have been fine-tuned on
domain-specific data, but such an approach can suffer from inductive biases.
Furthermore, deep learning models struggle to learn the relationship between
spatially distant features and their importance, as convolution operations
treat all pixels equally. Pioneering a novel solution to this challenge, we
employ the Image Foresting Transform to optimally segment images into
superpixels. These superpixels are subsequently transformed into
graph-structured data, enabling the proficient extraction of features and
modeling of relationships using Graph Neural Networks (GNNs). Our method
harnesses an ensemble of three distinct GNN architectures to boost its
robustness. In our evaluations targeting pneumonia classification, our
methodology surpassed prevailing Deep Neural Networks (DNNs) in performance,
all while drastically cutting down on the parameter count. This not only trims
down the expenses tied to data but also accelerates training and minimizes
bias. Consequently, our proposition offers a sturdy, economically viable, and
scalable strategy for medical image classification, significantly diminishing
dependency on extensive training data sets.
- Abstract（参考訳）: 深層学習モデルは、医療画像の領域を含む様々なコンピュータビジョンタスクにおいて顕著な結果を示した。
しかし、医療分野での応用は、大量のトレーニングデータを必要とするため制限されているため、入手は困難かつ費用がかかる可能性がある。
これを軽減するため、事前学習されたモデルはドメイン固有のデータに基づいて微調整されているが、そのようなアプローチは帰納的バイアスに苦しむことがある。
さらに、深層学習モデルは、畳み込み操作がすべてのピクセルを等しく扱うため、空間的に離れた特徴とその重要性の関係を知るのに苦労している。
この課題に対する新しい解法を開拓し,画像フォレスティング変換を用いて画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはグラフ構造データに変換され、グラフニューラルネットワーク(gnn)を使用して特徴の熟練した抽出と関係のモデリングが可能になる。
本手法は, 3種類のgnnアーキテクチャを用いたロバスト性向上手法である。
肺炎の分類を目標とした評価では,従来のディープニューラルネットワーク (dnn) を性能面で上回り,パラメータ数を大幅に削減した。
これはデータに関連するコストを削減するだけでなく、トレーニングを加速しバイアスを最小限にする。
その結果、医用画像分類のための頑丈で経済的に実現可能でスケーラブルな戦略が提案され、広範囲なトレーニングデータセットへの依存を著しく減らした。
関連論文リスト
- Framework for lung CT image segmentation based on UNet++ [0.4915744683251151]
先進的なUNet++モデルをマージする新しいプロセス網を提案する。
多様な手法を取り入れることで、トレーニング結果は類似の作業に対して大きな優位性を示す。
肺スライスCT像を最初に対象としたネットワークとして,我々のネットワークは注目に値する。
論文 参考訳（メタデータ） (2025-01-05T03:23:39Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Histopathology DatasetGAN: Synthesizing Large-Resolution Histopathology
Datasets [0.0]
病理組織学的データセットGAN(HDGAN)は、画像の生成と分割のためのフレームワークであり、大きな解像度の病理組織像によく対応している。
生成したバックボーンの更新,ジェネレータからの遅延特徴の選択的抽出,メモリマップされた配列への切り替えなど,オリジナルのフレームワークからいくつかの適応を行う。
血栓性微小血管症における高分解能タイルデータセット上でHDGANを評価し,高分解能画像アノテーション生成タスクにおいて高い性能を示した。
論文 参考訳（メタデータ） (2022-07-06T14:33:50Z) - About Explicit Variance Minimization: Training Neural Networks for
Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。
多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文 参考訳（メタデータ） (2021-05-28T21:34:04Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳（メタデータ） (2020-06-23T20:43:18Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z)
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。