Fugu-MT 論文翻訳(概要): Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging

論文の概要: Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging

arxiv url: http://arxiv.org/abs/2407.18792v2
Date: Mon, 29 Jul 2024 09:05:17 GMT
ステータス: 処理完了
システム内更新日: 2024-07-30 12:35:35.307799
Title: Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging
Title（参考訳）: 医用画像におけるショートカット学習防止のためのベンチマーク依存性対策
Authors: Sarah Müller, Louisa Fay, Lisa M. Koch, Sergios Gatidis, Thomas Küstner, Philipp Berens,
Abstract要約: 医療画像コホートは、取得装置、病院の現場、患者背景など多くの要因によって構築されることが多い。深層学習モデルは因果関係のある特徴の代わりに急激な相関を学習する傾向があり、その一般化性は新鮮で見当たらないデータに制限される。この問題はタスク関連変数と非タスク関連変数の中間表現間の依存度を最小化することで解決できる。
参考スコア（独自算出の注目度）: 7.917858344544847
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical imaging cohorts are often confounded by factors such as acquisition devices, hospital sites, patient backgrounds, and many more. As a result, deep learning models tend to learn spurious correlations instead of causally related features, limiting their generalizability to new and unseen data. This problem can be addressed by minimizing dependence measures between intermediate representations of task-related and non-task-related variables. These measures include mutual information, distance correlation, and the performance of adversarial classifiers. Here, we benchmark such dependence measures for the task of preventing shortcut learning. We study a simplified setting using Morpho-MNIST and a medical imaging task with CheXpert chest radiographs. Our results provide insights into how to mitigate confounding factors in medical imaging.
Abstract（参考訳）: 医療画像コホートは、取得装置、病院の現場、患者背景など多くの要因によって構築されることが多い。その結果、深層学習モデルは因果関係のある特徴ではなく急激な相関を学習する傾向があり、その一般化性は新鮮で見当たらないデータに制限される。この問題はタスク関連変数と非タスク関連変数の中間表現間の依存度を最小化することで解決できる。これらの尺度には、相互情報、距離相関、および逆分類器の性能が含まれる。本稿では,ショートカット学習の防止のために,そのような依存度をベンチマークする。 Morpho-MNISTを用いた簡易な設定法とCheXpert胸部X線写真を用いた医用画像撮影法について検討した。以上の結果から,医用画像におけるコンバウンディング要因の緩和に関する知見が得られた。

関連論文リスト

Overcoming Dimensional Collapse in Self-supervised Contrastive Learning for Medical Image Segmentation [2.6764957223405657]
医用画像解析分野へのコントラスト学習の適用について検討する。以上の結果から,最先端のコントラスト学習手法であるMoCo v2は,医用画像に適用すると次元的崩壊に遭遇することが明らかとなった。これを解決するために,局所的な特徴学習と特徴デコレーションという2つの重要な貢献を提案する。
論文参考訳（メタデータ） (2024-02-22T15:02:13Z)
Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-05-20T03:12:23Z)
X-TRA: Improving Chest X-ray Tasks with Cross-Modal Retrieval Augmentation [14.375693586801338]
胸部X線解析における複数のタスクにマルチモーダル検索拡張を適用した。ビジョンと言語モダリティは、事前トレーニングされたCLIPモデルを使用して調整される。非パラメトリック検索インデックスは最先端の検索レベルに達する。
論文参考訳（メタデータ） (2023-02-22T12:53:33Z)
MedFACT: Modeling Medical Feature Correlations in Patient Health Representation Learning via Feature Clustering [20.68759679109556]
本稿では,一般的な患者の健康表現学習フレームワークであるMedFACTを提案する。本研究は, 時間的特徴パターンとカーネル法, グループ間の相関関係の強いクラスタ特徴の類似性を測定することで相関関係を推定する。グラフ畳み込みネットワークを用いてグループワイドな特徴相互作用を行い、表現学習を改善する。
論文参考訳（メタデータ） (2022-04-21T10:27:24Z)
Multi-Task Multi-Scale Learning For Outcome Prediction in 3D PET Images [4.234843176066354]
本稿では,患者の生存と反応を予測するためのマルチタスク学習フレームワークを提案する。肺癌および食道癌に対する治療効果と生存率について検討した。
論文参考訳（メタデータ） (2022-03-01T17:30:28Z)
Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文参考訳（メタデータ） (2021-11-15T05:41:12Z)
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)
Impact of individual rater style on deep learning uncertainty in medical imaging segmentation [0.0]
本研究では,バイアスと一貫性という形でraterスタイルを定量化し,ディープラーニングモデルのトレーニングに使用する場合の影響について検討する。脳多発性硬化症と脊髄灰白質セグメンテーションからなる2つの多層公共データセットが用いられた。
論文参考訳（メタデータ） (2021-05-05T17:11:18Z)
Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
論文参考訳（メタデータ） (2021-03-04T20:58:22Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
論文参考訳（メタデータ） (2020-05-09T10:09:13Z)

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。