論文の概要: Unsupervised Training of Neural Cellular Automata on Edge Devices

• arxiv url: http://arxiv.org/abs/2407.18114v1
• Date: Thu, 25 Jul 2024 15:21:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-26 13:39:06.766653
• Title: Unsupervised Training of Neural Cellular Automata on Edge Devices
• Title（参考訳）: エッジデバイスを用いたニューラルセルオートマタの教師なしトレーニング
• Authors: John Kalkhof, Amin Ranem, Anirban Mukhopadhyay,
• Abstract要約: 携帯電話上でのセルラーオートマタトレーニングを, アクセス可能なX線肺セグメンテーションのために直接実施する。 5つのAndroidデバイスにこれらの高度なモデルをデプロイし、トレーニングする実用性と実現可能性を確認します。 デジタルコピーが入手できず、X線ライトボックスやモニターから画像を撮影しなければならない極端な場合、VWSLはDiceの精度を5-20%向上させる。
• 参考スコア（独自算出の注目度）: 2.5462695047893025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The disparity in access to machine learning tools for medical imaging across different regions significantly limits the potential for universal healthcare innovation, particularly in remote areas. Our research addresses this issue by implementing Neural Cellular Automata (NCA) training directly on smartphones for accessible X-ray lung segmentation. We confirm the practicality and feasibility of deploying and training these advanced models on five Android devices, improving medical diagnostics accessibility and bridging the tech divide to extend machine learning benefits in medical imaging to low- and middle-income countries (LMICs). We further enhance this approach with an unsupervised adaptation method using the novel Variance-Weighted Segmentation Loss (VWSL), which efficiently learns from unlabeled data by minimizing the variance from multiple NCA predictions. This strategy notably improves model adaptability and performance across diverse medical imaging contexts without the need for extensive computational resources or labeled datasets, effectively lowering the participation threshold. Our methodology, tested on three multisite X-ray datasets -- Padchest, ChestX-ray8, and MIMIC-III -- demonstrates improvements in segmentation Dice accuracy by 0.7 to 2.8%, compared to the classic Med-NCA. Additionally, in extreme cases where no digital copy is available and images must be captured by a phone from an X-ray lightbox or monitor, VWSL enhances Dice accuracy by 5-20%, demonstrating the method's robustness even with suboptimal image sources.
• Abstract（参考訳）: さまざまな領域にわたる医療画像のための機械学習ツールへのアクセスの格差は、特に遠隔地において、普遍的な医療革新の可能性を著しく制限している。 本研究は, スマートフォンに直接NCA(Neural Cellular Automata)トレーニングを導入し, その課題に対処する。 われわれは、これらの高度なモデルを5つのAndroidデバイスにデプロイし、訓練し、医療診断アクセシビリティを改善し、医療画像における機械学習の利点を低所得国(LMICs)に広げるために、技術分割をブリッジすることの実用性と実現可能性を確認した。 さらに,複数のNAA予測からばらつきを最小化し,ラベルのないデータから効率よく学習する,VWSL(Variance-Weighted Segmentation Loss)を用いた教師なし適応手法により,このアプローチをさらに強化する。 この戦略は、広範囲の計算リソースやラベル付きデータセットを必要とせずに、様々な医療画像コンテキストにおけるモデル適応性とパフォーマンスを改善し、効果的に参加閾値を下げる。 私たちの手法は、3つのマルチサイトX線データセット(Padchest、ChestX-ray8、MIMIC-III)で検証され、古典的なMed-NCAと比較してセグメンテーションDiceの精度が0.7から2.8%向上したことを示す。 さらに、デジタルコピーが入手できず、X線ライトボックスやモニターから撮影しなければならない極端なケースでは、VWSLはDiceの精度を5-20%向上させ、最適な画像ソースであってもその手法の堅牢性を示す。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for Generalized and Robust Retinal Disease Detection [2.3349787245442966]
  本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。 本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。 AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
  論文  参考訳（メタデータ） (2024-01-22T20:17:14Z)
• 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)
• Medical diffusion on a budget: textual inversion for medical image generation [0.0]
  テキスト・画像生成のための拡散モデルは非常に人気がある。 それらをスクラッチからトレーニングするには、大きなデータセットと重要な計算リソースにアクセスする必要がある。 本研究は,テキストインバージョンによるテキスト埋め込みをトレーニングすることにより,事前学習した安定拡散モデルが様々な医用画像モダリティに適応できることを実証する。
  論文  参考訳（メタデータ） (2023-03-23T16:50:19Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• 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)
• Collaborative Federated Learning For Healthcare: Multi-Modal COVID-19 Diagnosis at the Edge [5.258947981618588]
  我々は,医療におけるエッジコンピューティングの能力を活用し,臨床ビジュアルデータのインテリジェントな処理の可能性を分析し,評価する。 本研究では,CFL(Clustered federated Learning)の概念を,新型コロナの自動診断に応用した。 2つのベンチマークデータセットの異なる実験セットアップの下で,提案フレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2021-01-19T08:40:59Z)
• Pristine annotations-based multi-modal trained artificial intelligence solution to triage chest X-ray for COVID-19 [1.1764495014312295]
  新型コロナウイルス(COVID-19)のパンデミックが拡大し続け、世界の人口の豊かさに影響を及ぼしている。 CT (Computed tomography) やX線といった最前線のモダリティは、新型コロナウイルス患者をトリアージする上で重要な役割を担っている。 資源(ハードウェアと訓練員の両方)の限られたアクセスと汚染対策を考えると、CTは疑わしい被験者をトリアージするのに理想的ではないかもしれない。
  論文  参考訳（メタデータ） (2020-11-10T15:36:08Z)

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。