論文の概要: Learning Anatomically Consistent Embedding for Chest Radiography

• arxiv url: http://arxiv.org/abs/2312.00335v2
• Date: Tue, 11 Jun 2024 09:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-13 00:48:47.065806
• Title: Learning Anatomically Consistent Embedding for Chest Radiography
• Title（参考訳）: 胸部X線撮影のための解剖学的に一貫性のある埋め込みの学習
• Authors: Ziyu Zhou, Haozhe Luo, Jiaxuan Pang, Xiaowei Ding, Michael Gotway, Jianming Liang,
• Abstract要約: 本稿では,医用画像解析のための新しいSSL手法PEAC(パッチ埋込み解剖学的整合性)を提案する。 具体的には、安定したグリッドベースのマッチング、事前学習されたPEACモデルを様々な下流タスクに転送することで、グローバルおよびローカルなコンバーテンシーを学習することを提案する。 我々はPEACが既存の最先端の完全/自己管理手法よりもはるかに優れた性能を発揮することを広く実証した。
• 参考スコア（独自算出の注目度）: 4.990778682575127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) approaches have recently shown substantial success in learning visual representations from unannotated images. Compared with photographic images, medical images acquired with the same imaging protocol exhibit high consistency in anatomy. To exploit this anatomical consistency, this paper introduces a novel SSL approach, called PEAC (patch embedding of anatomical consistency), for medical image analysis. Specifically, in this paper, we propose to learn global and local consistencies via stable grid-based matching, transfer pre-trained PEAC models to diverse downstream tasks, and extensively demonstrate that (1) PEAC achieves significantly better performance than the existing state-of-the-art fully/self-supervised methods, and (2) PEAC captures the anatomical structure consistency across views of the same patient and across patients of different genders, weights, and healthy statuses, which enhances the interpretability of our method for medical image analysis.
• Abstract（参考訳）: 自己教師付き学習(SSL)アプローチは、最近、注釈のない画像から視覚表現を学ぶことに大きな成功を示している。 画像と比較すると、同じ画像プロトコルで取得した医用画像は解剖学的に高い一貫性を示す。 この解剖学的整合性を利用するために, PEAC (patch embedded of anatomical consistency) と呼ばれる新しいSSLアプローチを導入し, 医用画像解析を行った。 具体的には, 安定したグリッドベースマッチング, トレーニング済みPEACモデルを様々な下流タスクに移行し, 1) PEACが既存の最先端の完全・自己管理手法よりもはるかに優れた性能を達成し, (2) PEACは同一患者の視点, 異なる性別, 体重, 健康状態の患者間での解剖学的構造的整合性を把握し, 医療画像解析の手法の解釈可能性を高めることを提案する。

関連論文リスト

• CoBooM: Codebook Guided Bootstrapping for Medical Image Representation Learning [6.838695126692698]
  自己教師付き学習は、注釈のないデータを活用することで医療画像分析のための有望なパラダイムとして浮上してきた。 既存のSSLアプローチは、医療画像に固有の高い解剖学的類似性を見落としている。 連続的および離散的な表現を統合することで、自己監督型医用画像学習のための新しいフレームワークであるCoBooMを提案する。
  論文  参考訳（メタデータ） (2024-08-08T06:59:32Z)
• Towards Foundation Models Learned from Anatomy in Medical Imaging via Self-Supervision [8.84494874768244]
  我々は,人間の解剖学に基づいて意識的,目的的に発達した医用画像の基礎モデルを提案する。 我々は,人間の解剖学の階層的性質を生かした,新たな自己教師型学習(SSL)戦略を考案した。
  論文  参考訳（メタデータ） (2023-09-27T01:53:45Z)
• Anatomical Invariance Modeling and Semantic Alignment for Self-supervised Learning in 3D Medical Image Analysis [6.87667643104543]
  自己教師付き学習(SSL)は、最近、3D医療画像解析タスクで有望なパフォーマンスを達成した。 現在のほとんどの手法は、元々写真や自然画像用に設計された既存のSSLパラダイムに従っている。 我々は,解剖的不変性モデリングと意味的アライメントを明確に満たす,自己教師付き学習フレームワークAliceを提案する。
  論文  参考訳（メタデータ） (2023-02-11T06:36:20Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Anatomy-Aware Contrastive Representation Learning for Fetal Ultrasound [17.91546880972773]
  解剖学的認識型コントラスト学習(AWCL)による医用画像の視覚的表現の改善を提案する。 AWCLは解剖情報を組み込んで、正/負のペアサンプリングを対照的な学習方法で増強する。 大規模な胎児超音波データセットを用いた実験では、3つの臨床的下流課題によく伝達される表現の学習に有効であることが示された。
  論文  参考訳（メタデータ） (2022-08-22T22:49:26Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Seeking an Optimal Approach for Computer-Aided Pulmonary Embolism Detection [7.969404878464232]
  肺塞栓症(英: lung embolism、PE)は、肺の血管へ移動し、血管閉塞を引き起こす血栓(血栓)である。 深層学習はPEのコンピュータ支援診断(CAD)に大いに貢献する。
  論文  参考訳（メタデータ） (2021-09-15T00:21:23Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。