論文の概要: ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization

• arxiv url: http://arxiv.org/abs/2404.18831v1
• Date: Mon, 29 Apr 2024 16:16:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-30 12:58:45.700453
• Title: ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization
• Title（参考訳）: ConPro:コントラスト学習と優先最適化を用いた医用画像の重症度表現の学習
• Authors: Hong Nguyen, Hoang Nguyen, Melinda Chang, Hieu Pham, Shrikanth Narayanan, Michael Pazzani,
• Abstract要約: 本稿では,医療画像における重度評価のための表現学習手法であるCon-PrOを提案する。 提案する表現学習フレームワークは,機能領域において重要な重大度順序付けを提供する。 また、重症度指標と医療領域における嗜好比較の適用性についても検討した。
• 参考スコア（独自算出の注目度）: 30.31270613973337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the severity of conditions shown in images in medical diagnosis is crucial, serving as a key guide for clinical assessment, treatment, as well as evaluating longitudinal progression. This paper proposes Con- PrO: a novel representation learning method for severity assessment in medical images using Contrastive learningintegrated Preference Optimization. Different from conventional contrastive learning methods that maximize the distance between classes, ConPrO injects into the latent vector the distance preference knowledge between various severity classes and the normal class. We systematically examine the key components of our framework to illuminate how contrastive prediction tasks acquire valuable representations. We show that our representation learning framework offers valuable severity ordering in the feature space while outperforming previous state-of-the-art methods on classification tasks. We achieve a 6% and 20% relative improvement compared to a supervised and a self-supervised baseline, respectively. In addition, we derived discussions on severity indicators and related applications of preference comparison in the medical domain.
• Abstract（参考訳）: 診断における画像の重症度を理解することは, 臨床評価, 治療, 縦断的進行評価のキーガイドとして重要である。 本稿では,Contrastive Learningintegrated Preference Optimization を用いた医用画像の重症度評価のための新しい表現学習手法であるCon-PrOを提案する。 クラス間の距離を最大化する従来のコントラスト学習法とは異なり、ConPrOは様々な重度クラスと通常のクラスの間の距離優先知識を潜在ベクトルに注入する。 予測タスクがいかに価値ある表現を獲得するかを明らかにするために,我々のフレームワークの重要な構成要素を体系的に検討する。 提案する表現学習フレームワークは,特徴空間における重大度順序付けを実現するとともに,従来の最先端手法よりも高い性能を示すことを示す。 教師付きベースラインと自己監督型ベースラインと比較して, 6%, 20%の相対的な改善を実現した。 さらに、重症度指標とその医療領域における嗜好比較への応用について検討した。

関連論文リスト

• Multi-organ Self-supervised Contrastive Learning for Breast Lesion Segmentation [0.0]
  本稿では,臓器関連目標タスクに適した事前学習モデルとして,多臓器データセットを用いる。 対象は超音波画像における乳腺腫瘍のセグメンテーションである。 その結果,従来のコントラスト学習事前学習は,教師付きベースラインアプローチに比べて性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-02-21T20:29:21Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• A Knowledge-based Learning Framework for Self-supervised Pre-training Towards Enhanced Recognition of Medical Images [14.304996977665212]
  本研究では,医用画像の認識向上に向けた知識ベース学習フレームワークを提案する。 コントラスト学習と生成学習モデルを相乗化することで、3つのフェーズで機能する。 提案したフレームワークは、AUC/DiceのSimCLRよりも2.08, 1.23, 1.12, 0.76, 1.38ポイント改善された自己教師型ベンチマークで統計的に優れている。
  論文  参考訳（メタデータ） (2022-11-27T03:58:58Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Preservational Learning Improves Self-supervised Medical Image Models by Reconstructing Diverse Contexts [58.53111240114021]
  本稿では,自己監督型医療表現学習のためのPCRLについて紹介する。 PCRLは、事前学習ファインタニングプロトコルの下で非常に競争力のある結果をもたらし、5つの分類/分類タスクにおいて、自己監督的および監督的双方を上回っている。
  論文  参考訳（メタデータ） (2021-09-09T16:05:55Z)
• A New Semi-supervised Learning Benchmark for Classifying View and Diagnosing Aortic Stenosis from Echocardiograms [4.956777496509955]
  心エコー(心電図)の解釈に関連する2つの課題に対する半教師付きアプローチを評価するためのベンチマークデータセットを開発した。 我々は,MixMatchと呼ばれる最先端の手法が,両タスクのホールドアウト精度において有望なゲインを達成できることを見出した。 我々は患者レベルの診断予測を追求し、多様なビュータイプの数百の画像に集約する必要がある。
  論文  参考訳（メタデータ） (2021-07-30T21:08:12Z)
• Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images [2.498907460918493]
  糖尿病網膜症自動評価のための自己教師型フレームワーク,すなわち病変に基づくコントラスト学習を提案する。 提案フレームワークは,リニア評価と転送容量評価の両方の観点から,DRグレーディングを際立たせる。
  論文  参考訳（メタデータ） (2021-07-17T16:30:30Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。