論文の概要: UniChest: Conquer-and-Divide Pre-training for Multi-Source Chest X-Ray
Classification
- arxiv url: http://arxiv.org/abs/2312.11038v1
- Date: Mon, 18 Dec 2023 09:16:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 20:43:25.882941
- Title: UniChest: Conquer-and-Divide Pre-training for Multi-Source Chest X-Ray
Classification
- Title(参考訳): UniChest:マルチソース胸部X線分類のためのコンカレント・ディバイド事前トレーニング
- Authors: Tianjie Dai, Ruipeng Zhang, Feng Hong, Jiangchao Yao, Ya Zhang,
Yanfeng Wang
- Abstract要約: UniChestはConquer-and-Divide事前トレーニングフレームワークで、複数のCXRソースのコラボレーション利益をフル活用することを目的としている。
我々は、ChestX-ray14、CheXpert、Vindr-CXR、深セン、Open-I、SIIM-ACR Pneumothoraxなどの多くのベンチマークで徹底的な実験を行った。
- 参考スコア(独自算出の注目度): 39.149526285927664
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language Pre-training (VLP) that utilizes the multi-modal information
to promote the training efficiency and effectiveness, has achieved great
success in vision recognition of natural domains and shown promise in medical
imaging diagnosis for the Chest X-Rays (CXRs). However, current works mainly
pay attention to the exploration on single dataset of CXRs, which locks the
potential of this powerful paradigm on larger hybrid of multi-source CXRs
datasets. We identify that although blending samples from the diverse sources
offers the advantages to improve the model generalization, it is still
challenging to maintain the consistent superiority for the task of each source
due to the existing heterogeneity among sources. To handle this dilemma, we
design a Conquer-and-Divide pre-training framework, termed as UniChest, aiming
to make full use of the collaboration benefit of multiple sources of CXRs while
reducing the negative influence of the source heterogeneity. Specially, the
``Conquer" stage in UniChest encourages the model to sufficiently capture
multi-source common patterns, and the ``Divide" stage helps squeeze
personalized patterns into different small experts (query networks). We conduct
thorough experiments on many benchmarks, e.g., ChestX-ray14, CheXpert,
Vindr-CXR, Shenzhen, Open-I and SIIM-ACR Pneumothorax, verifying the
effectiveness of UniChest over a range of baselines, and release our codes and
pre-training models at https://github.com/Elfenreigen/UniChest.
- Abstract(参考訳): マルチモーダル情報を利用してトレーニング効率と有効性を促進する視覚言語前訓練(vlp)は、自然領域の視覚認識において大きな成功を収め、胸部x線(cxrs)の医用画像診断において有望である。
しかし、現在の研究は主にcxrの単一データセットの探索に注意を払っており、これはマルチソースcxrsデータセットのより大きなハイブリッド上にこの強力なパラダイムの可能性を封じている。
多様なソースからサンプルをブレンドすることで、モデル一般化を改善する利点があるが、既存のソース間の不均一性のため、各ソースのタスクに対して一貫した優位性を維持することは依然として困難である。
このジレンマに対処するために、UniChestと呼ばれるコンカー・アンド・ディヴィッド事前学習フレームワークを設計し、CXRの複数ソースの協調利益をフル活用することを目的として、ソースの不均一性の負の影響を低減した。
特に、UniChestの ``Conquer' ステージは、モデルに十分なマルチソース共通パターンのキャプチャを奨励し、 ‘`Divide' ステージは、パーソナライズされたパターンを異なる小さな専門家(クエリネットワーク)に絞り込むのに役立つ。
chestx-ray14, chexpert, vindr-cxr, shenzhen, open-i, siim-acr pneumothorax など,多くのベンチマークで徹底的な実験を行い,unichest の有効性の検証を行い,https://github.com/elfenreigen/unichest でコードと事前トレーニングモデルをリリースする。
関連論文リスト
- LTCXNet: Advancing Chest X-Ray Analysis with Solutions for Long-Tailed Multi-Label Classification and Fairness Challenges [4.351007758390175]
Pruned MIMIC-CXR-LTデータセットは、長い尾と多ラベルのデータシナリオを表現するように設計されている。
本稿では,ConvNeXtモデル,ML-Decoder,戦略的データ拡張を統合した新しいフレームワークであるLCCXNetを紹介する。
論文 参考訳(メタデータ) (2024-11-16T08:59:20Z) - Advancing Text-Driven Chest X-Ray Generation with Policy-Based
Reinforcement Learning [5.476136494434766]
我々は、強化学習(RL)の可能性に動機付けられたフレームワークであるCXRLを提案する。
我々のフレームワークは、学習可能な適応条件埋め込み(ACE)と画像生成器を併用して最適化する。
我々のCXRLは、病理学的に現実的なCXRを生成し、CXRを生成するための新しい標準を確立する。
論文 参考訳(メタデータ) (2024-03-11T08:43:57Z) - DiCoM -- Diverse Concept Modeling towards Enhancing Generalizability in Chest X-Ray Studies [6.83819481805979]
胸部X線(胸部X線、CXR)は、広く用いられている画像モダリティである。
自己指導型プレトレーニングは、多くの下流視覚タスクにおいて教師付きプレトレーニングよりも優れていることが証明されている。
本稿では,新しい自己教師型トレーニングパラダイムであるDiCoMについて紹介する。
論文 参考訳(メタデータ) (2024-02-22T20:51:37Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - CheXFusion: Effective Fusion of Multi-View Features using Transformers
for Long-Tailed Chest X-Ray Classification [4.708378681950648]
本稿では,ICCV CVAMD 2023 Shared Task on CXR-LT: Multi-Label Long-Tailed Classification on Chest X-raysについて述べる。
提案手法では,マルチビューイメージを取り入れたトランスフォーマーベースの融合モジュールであるCheXFusionを導入する。
提案手法はMIMIC-CXRテストセットにおいて0.372 mAPで最先端の結果を達成し,競争において第1位を確保した。
論文 参考訳(メタデータ) (2023-08-08T00:46:01Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Distributional Reinforcement Learning for Multi-Dimensional Reward
Functions [91.88969237680669]
多次元分布DQN(MD3QN)を導入し、複数の報酬源からの共振分布をモデル化する。
関節分布モデリングの副産物として、MD3QNは各報酬源に対するリターンのランダム性を捉えることができる。
実験では,リッチな相関型報酬関数を持つ環境下での連立戻り分布を精度良くモデル化した。
論文 参考訳(メタデータ) (2021-10-26T11:24:23Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳(メタデータ) (2021-04-11T09:16:29Z) - 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) - Triage of Potential COVID-19 Patients from Chest X-ray Images using
Hierarchical Convolutional Networks [5.7179132552879395]
新型コロナウイルス(COVID-19)のパンデミックは、逆転写-ポリメラーゼ連鎖反応(RT-PCR)の代替として人工知能技術を使うことを研究者に動機付けている。
胸部X線(CXR)は早期診断のための代替手段の1つであるが、大規模な注釈付きデータの有効性は、機械学習による新型コロナウイルス検出の臨床的実装を困難にしている。
本稿では,階層型畳み込みネットワーク(HCN)アーキテクチャを用いて,データを自然に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-01T20:01:22Z)
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。