論文の概要: BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in
heterogeneous data with cross-domain self-supervised learning
- arxiv url: http://arxiv.org/abs/2402.06499v1
- Date: Fri, 9 Feb 2024 16:10:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 16:13:23.176294
- Title: BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in
heterogeneous data with cross-domain self-supervised learning
- Title（参考訳）: BarlowTwins-CXR : クロスドメイン自己教師学習を用いた異種データにおける胸部X線異常局在の促進
- Authors: Haoyue Sheng, Linrui Ma, Jean-Francois Samson, Dianbo Liu
- Abstract要約: BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。
従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
- 参考スコア（独自算出の注目度）: 1.7479385556004874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Chest X-ray imaging-based abnormality localization, essential in
diagnosing various diseases, faces significant clinical challenges due to
complex interpretations and the growing workload of radiologists. While recent
advances in deep learning offer promising solutions, there is still a critical
issue of domain inconsistency in cross-domain transfer learning, which hampers
the efficiency and accuracy of diagnostic processes. This study aims to address
the domain inconsistency problem and improve autonomic abnormality localization
performance of heterogeneous chest X-ray image analysis, by developing a
self-supervised learning strategy called "BarlwoTwins-CXR". Methods: We
utilized two publicly available datasets: the NIH Chest X-ray Dataset and the
VinDr-CXR. The BarlowTwins-CXR approach was conducted in a two-stage training
process. Initially, self-supervised pre-training was performed using an
adjusted Barlow Twins algorithm on the NIH dataset with a Resnet50 backbone
pre-trained on ImageNet. This was followed by supervised fine-tuning on the
VinDr-CXR dataset using Faster R-CNN with Feature Pyramid Network (FPN).
Results: Our experiments showed a significant improvement in model performance
with BarlowTwins-CXR. The approach achieved a 3% increase in mAP50 accuracy
compared to traditional ImageNet pre-trained models. In addition, the Ablation
CAM method revealed enhanced precision in localizing chest abnormalities.
Conclusion: BarlowTwins-CXR significantly enhances the efficiency and accuracy
of chest X-ray image-based abnormality localization, outperforming traditional
transfer learning methods and effectively overcoming domain inconsistency in
cross-domain scenarios. Our experiment results demonstrate the potential of
using self-supervised learning to improve the generalizability of models in
medical settings with limited amounts of heterogeneous data.
- Abstract（参考訳）: 背景: 様々な疾患の診断に必須の胸部X線画像による異常局在は, 複雑な解釈と放射線技師の作業量の増加による重要な臨床課題に直面している。
ディープラーニングの最近の進歩は有望なソリューションを提供するが、ドメイン間転送学習におけるドメインの不整合は依然として重大な問題であり、診断プロセスの効率と精度を損なう。
本研究では,異種胸部X線画像解析における領域不整合問題に対処し,自律学習戦略「BarlwoTwins-CXR」を開発し,自律的異常局所化性能を向上させることを目的とする。
方法: NIH Chest X-ray DatasetとVinDr-CXRの2つの公開データセットを利用した。
BarlowTwins-CXRアプローチは2段階のトレーニングプロセスで実施された。
当初、自己教師付き事前トレーニングは、imagenetで事前トレーニングされたresnet50バックボーンを持つnihデータセット上の調整されたbarlow twinsアルゴリズムを使用して行われた。
続いてFPN(Faster R-CNN with Feature Pyramid Network)を用いて、VinDr-CXRデータセットの教師付き微調整が行われた。
結果: BarlowTwins-CXRではモデル性能が大幅に向上した。
従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
また,Ablation CAM法では胸部異常の局在の精度が向上した。
結論: BarlowTwins-CXR は胸部X線画像による異常局所化の効率と精度を著しく向上させ,従来の転写学習法より優れ,ドメイン間の整合性を効果的に克服する。
実験の結果,異種データが少ない医療環境において,自己教師付き学習を用いてモデルの一般化性を向上させる可能性が示された。
関連論文リスト
- DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳（メタデータ） (2023-09-03T07:55:46Z) - DINO-CXR: A self supervised method based on vision transformer for chest
X-ray classification [0.9883261192383611]
本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。
肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
論文 参考訳（メタデータ） (2023-08-01T11:58:49Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Enhancing Generative Networks for Chest Anomaly Localization through Automatic Registration-Based Unpaired-to-Pseudo-Paired Training Data Translation [4.562196564569076]
胸部X線画像(AL-CXR)におけるGAN-ITは異常領域の正確な位置決め法として有望である
本稿では,登録とデータ拡張を含む2段階のGAN-ITを提案する。
論文 参考訳（メタデータ） (2022-07-21T06:42:12Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - 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) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - A Deep Convolutional Neural Network for COVID-19 Detection Using Chest
X-Rays [2.2843885788439797]
我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。
テストデータセットで100%のテスト精度に到達することができました。
論文 参考訳（メタデータ） (2020-04-30T13:20:42Z)
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。