論文の概要: Self-supervised learning for classifying paranasal anomalies in the maxillary sinus

• arxiv url: http://arxiv.org/abs/2404.18599v1
• Date: Mon, 29 Apr 2024 11:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 13:57:37.657212
• Title: Self-supervised learning for classifying paranasal anomalies in the maxillary sinus
• Title（参考訳）: 上顎洞における副鼻腔奇形分類のための自己指導型学習
• Authors: Debayan Bhattacharya, Finn Behrendt, Benjamin Tobias Becker, Lennart Maack, Dirk Beyersdorff, Elina Petersen, Marvin Petersen, Bastian Cheng, Dennis Eggert, Christian Betz, Anna Sophie Hoffmann, Alexander Schlaefer,
• Abstract要約: 自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。 上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。 提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
• 参考スコア（独自算出の注目度）: 31.45131665942058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: Paranasal anomalies, frequently identified in routine radiological screenings, exhibit diverse morphological characteristics. Due to the diversity of anomalies, supervised learning methods require large labelled dataset exhibiting diverse anomaly morphology. Self-supervised learning (SSL) can be used to learn representations from unlabelled data. However, there are no SSL methods designed for the downstream task of classifying paranasal anomalies in the maxillary sinus (MS). Methods: Our approach uses a 3D Convolutional Autoencoder (CAE) trained in an unsupervised anomaly detection (UAD) framework. Initially, we train the 3D CAE to reduce reconstruction errors when reconstructing normal maxillary sinus (MS) image. Then, this CAE is applied to an unlabelled dataset to generate coarse anomaly locations by creating residual MS images. Following this, a 3D Convolutional Neural Network (CNN) reconstructs these residual images, which forms our SSL task. Lastly, we fine-tune the encoder part of the 3D CNN on a labelled dataset of normal and anomalous MS images. Results: The proposed SSL technique exhibits superior performance compared to existing generic self-supervised methods, especially in scenarios with limited annotated data. When trained on just 10% of the annotated dataset, our method achieves an Area Under the Precision-Recall Curve (AUPRC) of 0.79 for the downstream classification task. This performance surpasses other methods, with BYOL attaining an AUPRC of 0.75, SimSiam at 0.74, SimCLR at 0.73 and Masked Autoencoding using SparK at 0.75. Conclusion: A self-supervised learning approach that inherently focuses on localizing paranasal anomalies proves to be advantageous, particularly when the subsequent task involves differentiating normal from anomalous maxillary sinuses. Access our code at https://github.com/mtec-tuhh/self-supervised-paranasal-anomaly
• Abstract（参考訳）: 目的: 定期的な放射線検診でしばしば同定される副鼻腔奇形は, 様々な形態学的特徴を示す。 異常の多様性のため、教師付き学習法は多様な異常形態を示す大きなラベル付きデータセットを必要とする。 自己教師付き学習(SSL)は、不正なデータから表現を学習するために使用することができる。 しかし、上顎洞(MS)の副鼻腔異常を分類する下流タスクのために設計されたSSLメソッドは存在しない。 方法: 本手法では, 教師なし異常検出(UAD)フレームワークで訓練された3次元畳み込みオートエンコーダ(CAE)を用いる。 当初,正常上顎洞(MS)画像の再構成時に3D CAEをトレーニングし,再建誤差を低減する。 そして、このCAEを非ラベルデータセットに適用し、残差MS画像を生成して粗い異常位置を生成する。 その後、3D畳み込みニューラルネットワーク(CNN)が残像を再構成し、SSLタスクを形成します。 最後に、3D CNNのエンコーダ部分を正規および異常なMS画像のラベル付きデータセットで微調整する。 結果:提案手法は,特に注釈付きデータに制限のあるシナリオにおいて,既存の汎用的な自己管理手法と比較して優れた性能を示す。 注釈付きデータセットの10%だけをトレーニングすると、下流分類タスクに対して精度-リコール曲線(AUPRC)0.79のエリアを達成できる。 この性能は、AUPRC 0.75、SimSiam 0.74、SimCLR 0.73、Masked Autoencoding 0.75など、他の手法を上回る。 結論: 副鼻腔異常の局所化に本質的に焦点を絞った自己教師型学習アプローチは、特にその後の課題が正常と異常な上顎洞罪の区別を伴う場合、有利であることが証明される。 https://github.com/mtec-tuhh/self-supervised-paranasal-anomaly

関連論文リスト

• Fine-grained Abnormality Prompt Learning for Zero-shot Anomaly Detection [88.34095233600719]
  FAPromptは、より正確なZSADのためにきめ細かい異常プロンプトを学習するために設計された新しいフレームワークである。 画像レベルおよび画素レベルのZSADタスクにおいて、最先端の手法を少なくとも3%-5%のAUC/APで大幅に上回っている。
  論文  参考訳（メタデータ） (2024-10-14T08:41:31Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Supervised Contrastive Learning to Classify Paranasal Anomalies in the Maxillary Sinus [43.850343556811275]
  深層学習技術を用いて,MRI画像から副鼻腔系の異常を自動的に検出できる。 副鼻腔奇形分類における既存の深層学習法は、少なくとも1つの異常を診断するために用いられてきた。 コントラスト損失とクロスエントロピー損失を組み合わせた新しい学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-05T12:31:28Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• A Comparison of Supervised and Unsupervised Deep Learning Methods for Anomaly Detection in Images [5.769720012976111]
  画像の異常検出は、医療における疾患診断や製造における品質保証など、あらゆる産業における多くのアプリケーションにおいて重要な役割を担っている。 本稿では,品質保証ユースケースに適用された異常検出のための,教師付きおよび教師なしの学習を含む様々なディープラーニング手法について検討する。
  論文  参考訳（メタデータ） (2021-07-20T00:14:12Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Double-Adversarial Activation Anomaly Detection: Adversarial Autoencoders are Anomaly Generators [0.0]
  異常検出は、固有のクラス不均衡のため、機械学習アルゴリズムにとって難しいタスクである。 生成モデルに着想を得て,ニューラルネットワークの隠れ活性化の解析を行い,DA3Dと呼ばれる新しい教師なし異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T18:07:34Z)

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。