論文の概要: From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data
- arxiv url: http://arxiv.org/abs/2404.06253v1
- Date: Tue, 9 Apr 2024 12:25:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 14:50:19.004880
- Title: From Barlow Twins to Triplet Training: Differentiating Dementia with Limited Data
- Title（参考訳）: バーロウ双生児からトリプルトトレーニングへ:限られたデータによる認知症の鑑別
- Authors: Yitong Li, Tom Nuno Wolf, Sebastian Pölsterl, Igor Yakushev, Dennis M. Hedderich, Christian Wachinger,
- Abstract要約: 本稿では,限られた対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。
i)Barlow Twinsによるラベルなしデータに対する自己教師付き事前トレーニング、(ii)タスク関連データに対する自己蒸留、(iii)ターゲットデータセットに対する微調整の3つの重要なステージで構成されている。
私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
- 参考スコア（独自算出の注目度）: 8.954593873296284
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Differential diagnosis of dementia is challenging due to overlapping symptoms, with structural magnetic resonance imaging (MRI) being the primary method for diagnosis. Despite the clinical value of computer-aided differential diagnosis, research has been limited, mainly due to the absence of public datasets that contain diverse types of dementia. This leaves researchers with small in-house datasets that are insufficient for training deep neural networks (DNNs). Self-supervised learning shows promise for utilizing unlabeled MRI scans in training, but small batch sizes for volumetric brain scans make its application challenging. To address these issues, we propose Triplet Training for differential diagnosis with limited target data. It consists of three key stages: (i) self-supervised pre-training on unlabeled data with Barlow Twins, (ii) self-distillation on task-related data, and (iii) fine-tuning on the target dataset. Our approach significantly outperforms traditional training strategies, achieving a balanced accuracy of 75.6%. We further provide insights into the training process by visualizing changes in the latent space after each step. Finally, we validate the robustness of Triplet Training in terms of its individual components in a comprehensive ablation study. Our code is available at https://github.com/ai-med/TripletTraining.
- Abstract（参考訳）: 認知症の鑑別診断は重度の症状が重なり,MRIが主な診断方法である。
コンピュータ支援型鑑別診断の臨床的価値にもかかわらず、多種多様な認知症を含む公的データセットがないために研究は限られている。
これにより、ディープニューラルネットワーク(DNN)のトレーニングに不十分な、小さな社内データセットを研究者に残すことができる。
自己教師付き学習は、トレーニングでラベルなしのMRIスキャンを活用することを約束するが、ボリューム脳スキャンの小さなバッチサイズは、その応用を困難にしている。
これらの課題に対処するために,限定的対象データを用いたディファレンシャル診断のためのトリプルトトレーニングを提案する。
3つの重要な段階から構成される。
(i)Barlow Twinsによるラベルなしデータによる自己教師付き事前トレーニング
(二)タスク関連データに対する自己蒸留、及び
(iii)ターゲットデータセットの微調整。
私たちのアプローチは従来のトレーニング戦略を著しく上回り、75.6%のバランスの取れた精度を実現しています。
さらに、各ステップの後に潜伏空間の変化を可視化することで、トレーニングプロセスに関する洞察を提供する。
最後に, 包括的アブレーション研究において, 個々の構成要素の観点から, トリプルトトレーニングの頑健さを検証した。
私たちのコードはhttps://github.com/ai-med/TripletTraining.comで利用可能です。
関連論文リスト
- Self-Supervised Pretext Tasks for Alzheimer's Disease Classification using 3D Convolutional Neural Networks on Large-Scale Synthetic Neuroimaging Dataset [11.173478552040441]
アルツハイマー病(Alzheimer's Disease, AD)は、脳の局所的および広範な神経変性を誘導する疾患である。
本研究では、下流ADとCN分類のための特徴抽出器を訓練するための教師なし手法をいくつか評価した。
論文 参考訳（メタデータ） (2024-06-20T11:26:32Z) - Diagnosing Alzheimer's Disease using Early-Late Multimodal Data Fusion
with Jacobian Maps [1.5501208213584152]
アルツハイマー病(英語: Alzheimer's disease、AD)は、老化に影響を及ぼす神経変性疾患である。
本稿では,自動特徴抽出とランダム森林のための畳み込みニューラルネットワークを利用する,効率的な早期融合(ELF)手法を提案する。
脳の容積の微妙な変化を検出するという課題に対処するために、画像をヤコビ領域(JD)に変換する。
論文 参考訳（メタデータ） (2023-10-25T19:02:57Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - SSL^2: Self-Supervised Learning meets Semi-Supervised Learning: Multiple
Sclerosis Segmentation in 7T-MRI from large-scale 3T-MRI [10.28453502633171]
マルチモーダルなMS病変分類のためのトレーニングフレームワークであるSSL2(self-supervised-semi-supervised)を提案する。
我々は、大規模な公開3Tデータセットからの知識を活用して、小さな7Tターゲットデータセットの制限に対処するために、自己教師付き学習を採用する。
自己教師型および半教師型トレーニング戦略の有効性を, 社内7T MRIデータセットで評価した。
論文 参考訳（メタデータ） (2023-03-09T04:20:16Z) - Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with
impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。
AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文 参考訳（メタデータ） (2022-04-12T13:05:18Z) - Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文 参考訳（メタデータ） (2022-02-21T04:37:25Z) - 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) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z) - Ensemble Deep Learning on Large, Mixed-Site fMRI Datasets in Autism and
Other Tasks [0.1160208922584163]
我々は、これまでコンパイルされた最大のマルチソース機能的MRI(fMRI)コネクトロミックデータセットを備えた畳み込みニューラルネットワーク(CNN)を訓練する。
ASDとTDの制御を区別するディープラーニングモデルは、時間的および小脳の接続に大きく焦点を絞っている。
論文 参考訳（メタデータ） (2020-02-14T17:28:16Z)
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。