論文の概要: MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning

• arxiv url: http://arxiv.org/abs/2403.11504v1
• Date: Mon, 18 Mar 2024 06:19:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-19 16:26:41.712014
• Title: MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning
• Title（参考訳）: MLVICX:胸部X線自己監督表現学習のためのマルチレベル変数共分散探索
• Authors: Azad Singh, Vandan Gorade, Deepak Mishra,
• Abstract要約: MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。 自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
• 参考スコア（独自算出の注目度）: 6.4136876268620115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) is potentially useful in reducing the need for manual annotation and making deep learning models accessible for medical image analysis tasks. By leveraging the representations learned from unlabeled data, self-supervised models perform well on tasks that require little to no fine-tuning. However, for medical images, like chest X-rays, which are characterized by complex anatomical structures and diverse clinical conditions, there arises a need for representation learning techniques that can encode fine-grained details while preserving the broader contextual information. In this context, we introduce MLVICX (Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning), an approach to capture rich representations in the form of embeddings from chest X-ray images. Central to our approach is a novel multi-level variance and covariance exploration strategy that empowers the model to detect diagnostically meaningful patterns while reducing redundancy effectively. By enhancing the variance and covariance of the learned embeddings, MLVICX promotes the retention of critical medical insights by adapting both global and local contextual details. We demonstrate the performance of MLVICX in advancing self-supervised chest X-ray representation learning through comprehensive experiments. The performance enhancements we observe across various downstream tasks highlight the significance of the proposed approach in enhancing the utility of chest X-ray embeddings for precision medical diagnosis and comprehensive image analysis. For pertaining, we used the NIH-Chest X-ray dataset, while for downstream tasks, we utilized NIH-Chest X-ray, Vinbig-CXR, RSNA pneumonia, and SIIM-ACR Pneumothorax datasets. Overall, we observe more than 3% performance gains over SOTA SSL approaches in various downstream tasks.
• Abstract（参考訳）: 自己教師付き学習(SSL)は、手動のアノテーションの必要性を減らし、深層学習モデルを医療画像解析タスクに利用できるようにする上で、潜在的に有用である。 ラベルのないデータから学んだ表現を活用することで、自己教師型モデルは微調整をほとんど必要としないタスクでうまく機能する。 しかし、複雑な解剖学的構造と多様な臨床症状を特徴とする胸部X線のような医療画像には、より広い文脈情報を保存しながら細かな詳細をエンコードできる表現学習技術が必要である。 本稿では,胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするMLVICX(Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning)を提案する。 我々のアプローチの中心は、診断に意味のあるパターンを効果的に検出し、冗長性を効果的に低減する、新しい多段階の分散と共分散探索戦略である。 MLVICXは、学習した埋め込みのばらつきと共分散を高めることにより、グローバルとローカルの両方の文脈に適応することで、重要な医学的洞察の保持を促進する。 本研究では, MLVICXによる胸部X線表現学習の促進効果を総合実験により実証した。 様々な下流課題にまたがるパフォーマンス向上は、胸部X線埋め込みの精度診断と包括的画像解析における有用性を高めるための提案手法の重要性を浮き彫りにしている。 関連性としては, NIH-Chest X-ray データセットを用いたが, 下流タスクでは NIH-Chest X-ray, Vinbig-CXR, RSNA pneumonia, SIIM-ACR Pneumothorax データセットを用いた。 全体として、さまざまなダウンストリームタスクにおいて、SOTA SSLアプローチよりも3%以上のパフォーマンス向上が観測されている。

関連論文リスト

• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• Enhancing Representation in Radiography-Reports Foundation Model: A Granular Alignment Algorithm Using Masked Contrastive Learning [26.425784890859738]
  MaCoは、マスク付きコントラスト型胸部X線基礎モデルである。 様々な医療画像のタスクに対して、きめ細かい画像理解とゼロショット学習を同時に達成する。 分類、セグメンテーション、検出、句接地といったタスクにまたがる、最先端の10のアプローチよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-09-12T01:29:37Z)
• MDF-Net for abnormality detection by fusing X-rays with clinical data [14.347359031598813]
  本研究は,患者の臨床情報が深層学習(DL)分類器の性能に及ぼす影響について検討した。 患者の臨床データと胸部X線を同時に処理できる2つの融合法からなる新しいアーキテクチャを提案する。 その結果, 患者の臨床データをDLモデルに組み込むことで, 胸部X線像の病的局在を平均精度で12%改善できることがわかった。
  論文  参考訳（メタデータ） (2023-02-26T19:16:57Z)
• Vision-Language Generative Model for View-Specific Chest X-ray Generation [18.347723213970696]
  ViewXGenは、フロントビュー胸部X線を生成する既存のメソッドの制限を克服するように設計されている。 提案手法は, データセット内の多様な視線位置を考慮し, 特定の視線を用いた胸部X線の生成を可能にする。
  論文  参考訳（メタデータ） (2023-02-23T17:13:25Z)
• SPCXR: Self-supervised Pretraining using Chest X-rays Towards a Domain Specific Foundation Model [4.397622801930704]
  胸部X線(CXR)は肺疾患の診断と予後のための画像モダリティとして広く用いられている。 そこで我々は,グループメイドの自己教師型フレームワークを用いて,CXRからの一般的な表現を学習する,新たな自己教師型パラダイムを提案する。 事前訓練されたモデルは、コビッド19、肺炎の検出、一般的な健康スクリーニングといったドメイン固有のタスクのために微調整される。
  論文  参考訳（メタデータ） (2022-11-23T13:38:16Z)
• RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
  X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
  論文  参考訳（メタデータ） (2022-11-01T07:41:03Z)
• 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)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)

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。