論文の概要: Is in-domain data beneficial in transfer learning for landmarks detection in x-ray images?

• arxiv url: http://arxiv.org/abs/2403.01470v1
• Date: Sun, 3 Mar 2024 10:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 21:16:33.718892
• Title: Is in-domain data beneficial in transfer learning for landmarks detection in x-ray images?
• Title（参考訳）: 領域内データはx線画像におけるランドマーク検出のための転送学習に有用か?
• Authors: Roberto Di Via, Matteo Santacesaria, Francesca Odone, Vito Paolo Pastore
• Abstract要約: 本研究では,大規模な自然画像データセットのみに事前学習したモデルに対して,小さな領域内X線画像データセットを使用することで,ランドマーク検出の精度が向上するかどうかを検討する。 我々の結果は、ドメイン内ソースデータセットを使用することで、ImageNetのドメイン外事前トレーニングに関して、限界があるか、まったく利益が得られないことを示している。 以上の結果から,大規模なアノテートデータセットが得られない場合の医用画像におけるロバストなランドマーク検出システムの開発が示唆された。
• 参考スコア（独自算出の注目度）: 1.5348047288817481
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, deep learning has emerged as a promising technique for medical image analysis. However, this application domain is likely to suffer from a limited availability of large public datasets and annotations. A common solution to these challenges in deep learning is the usage of a transfer learning framework, typically with a fine-tuning protocol, where a large-scale source dataset is used to pre-train a model, further fine-tuned on the target dataset. In this paper, we present a systematic study analyzing whether the usage of small-scale in-domain x-ray image datasets may provide any improvement for landmark detection over models pre-trained on large natural image datasets only. We focus on the multi-landmark localization task for three datasets, including chest, head, and hand x-ray images. Our results show that using in-domain source datasets brings marginal or no benefit with respect to an ImageNet out-of-domain pre-training. Our findings can provide an indication for the development of robust landmark detection systems in medical images when no large annotated dataset is available.
• Abstract（参考訳）: 近年,深層学習が医用画像解析の有望な手法として登場している。 しかしながら、このアプリケーションドメインは、大規模な公開データセットとアノテーションの可用性の制限に悩まされる可能性が高い。 ディープラーニングにおけるこれらの課題に対する一般的な解決策は、移行学習フレームワーク(典型的には微調整プロトコル)の使用であり、大規模なソースデータセットを使用してモデルを事前トレーニングし、さらにターゲットデータセットに微調整する。 本稿では,大規模な自然画像データセットのみに事前学習したモデルに対して,小規模領域内X線画像データセットの使用がランドマーク検出に有効であるかどうかを系統的研究する。 胸部,頭部,手のx線画像を含む3つのデータセットのマルチランドマークローカライズタスクに注目した。 その結果、ドメイン内ソースデータセットを使うことは、imagenetのドメイン外事前トレーニングに関して、限界的あるいは全くメリットがないことがわかった。 医用画像におけるロバストランドマーク検出システムの開発には,大規模な注釈付きデータセットが存在しない場合の適応性が期待できる。

関連論文リスト

• Self-supervised pre-training with diffusion model for few-shot landmark detection in x-ray images [0.8793721044482612]
  本研究では,X線画像のランドマーク検出のための拡散モデルに基づく自己教師付き事前学習プロトコルを提案する。 提案する自己教師型フレームワークは,最小限のアノテート訓練画像を用いて,正確なランドマーク検出を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-07-25T15:32:59Z)
• MoCo-Transfer: Investigating out-of-distribution contrastive learning for limited-data domains [52.612507614610244]
  我々は、モーメントコントラスト(MoCo)プレトレーニングからデータ制限のある設定への自己教師付きコントラスト表現の転送の利点を分析する。 ラベル付きおよびラベルなしデータの量によっては、より大きなアウト・オブ・ディストリビューションデータセットでの対照的な事前トレーニングは、ドメイン内でのMoCoの事前トレーニングよりも、ほぼ同等か、あるいはそれ以上のパフォーマンスが期待できる。
  論文  参考訳（メタデータ） (2023-11-15T21:56:47Z)
• Exploring Self-Supervised Representation Learning For Low-Resource Medical Image Analysis [2.458658951393896]
  小型医用画像データセットにおける自己教師付き学習アルゴリズムの適用性について検討する。 ドメイン内の低リソースSSL事前トレーニングは、大規模なデータセットから学習を移行するための競合的なパフォーマンスをもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-03-03T22:26:17Z)
• RadTex: Learning Efficient Radiograph Representations from Text Reports [7.090896766922791]
  我々は,放射線学報告を利用して,限られたラベル付きデータを用いた医用画像分類性能を向上させるための,データ効率のよい学習フレームワークを構築した。 本モデルは,ラベル付きトレーニングデータに制限がある場合,ImageNetによる事前学習よりも高い分類性能を実現する。
  論文  参考訳（メタデータ） (2022-08-05T15:06:26Z)
• 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)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Damage detection using in-domain and cross-domain transfer learning [4.111375269316102]
  橋梁の損傷検出のためのドメイン内およびドメイン間移動学習戦略の組み合わせを提案する。 クロスドメインとインドメイン転送の組み合わせは、小さなデータセットであっても、永続的に優れたパフォーマンスを示すことを示す。
  論文  参考訳（メタデータ） (2021-02-07T17:36:27Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• 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)

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。