Fugu-MT 論文翻訳(概要): CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning

論文の概要: CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning

arxiv url: http://arxiv.org/abs/2408.04949v1
Date: Fri, 9 Aug 2024 09:08:06 GMT
ステータス: 処理完了
システム内更新日: 2024-08-12 16:18:44.180868
Title: CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning
Title（参考訳）: CROCODILE:Contrastive Disentangled Learningによる耐火性向上
Authors: Gianluca Carloni, Sotirios A Tsaftaris, Sara Colantonio,
Abstract要約: CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
参考スコア（独自算出の注目度）: 8.975676404678374
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due to domain shift, deep learning image classifiers perform poorly when applied to a domain different from the training one. For instance, a classifier trained on chest X-ray (CXR) images from one hospital may not generalize to images from another hospital due to variations in scanner settings or patient characteristics. In this paper, we introduce our CROCODILE framework, showing how tools from causality can foster a model's robustness to domain shift via feature disentanglement, contrastive learning losses, and the injection of prior knowledge. This way, the model relies less on spurious correlations, learns the mechanism bringing from images to prediction better, and outperforms baselines on out-of-distribution (OOD) data. We apply our method to multi-label lung disease classification from CXRs, utilizing over 750000 images from four datasets. Our bias-mitigation method improves domain generalization and fairness, broadening the applicability and reliability of deep learning models for a safer medical image analysis. Find our code at: https://github.com/gianlucarloni/crocodile.
Abstract（参考訳）: ドメインシフトにより、ディープラーニング画像分類器は、トレーニングと異なるドメインに適用されると、性能が低下する。例えば、ある病院の胸部X線(CXR)画像に基づいて訓練された分類器は、スキャナの設定や患者の特性の変化により、別の病院の画像に一般化できない。本稿では、CROCODILEフレームワークを紹介し、因果関係のツールが、特徴のゆがみ、対照的な学習損失、事前知識の注入を通じて、モデルの堅牢性からドメインシフトへの道のりをいかに育むかを示す。このように、モデルは素早い相関に頼らず、画像からより良い予測をもたらすメカニズムを学び、アウト・オブ・ディストリビューション(OOD)データに基づいてベースラインを上回ります。 CXRの多ラベル肺疾患分類に本手法を適用し,4つのデータセットから750万枚以上の画像を用いた。バイアス緩和法は,領域の一般化と公平性を向上し,より安全な医用画像解析のための深層学習モデルの適用性と信頼性を向上する。コードは、https://github.com/gianlucarloni/crocodile.comで参照してください。

関連論文リスト

An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
論文参考訳（メタデータ） (2025-01-15T17:18:46Z)
Mask of truth: model sensitivity to unexpected regions of medical images [0.9896218845636701]
我々は、胸部X線と眼底画像の分類に畳み込みニューラルネットワーク(CNN)の能力に挑戦する。マスク戦略に関わらず、PadデータセットでトレーニングされたすべてのモデルがランダムにAUC(Area Under the Curve)を得ることができることを示す。また,Chaksuデータセットでは,非バイアスモデルに対する期待値に一致した結果が得られた。
論文参考訳（メタデータ） (2024-12-05T10:06:58Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
論文参考訳（メタデータ） (2023-05-20T03:17:44Z)
Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文参考訳（メタデータ） (2023-04-19T09:52:50Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
RadTex: Learning Efficient Radiograph Representations from Text Reports [7.090896766922791]
我々は,放射線学報告を利用して,限られたラベル付きデータを用いた医用画像分類性能を向上させるための,データ効率のよい学習フレームワークを構築した。本モデルは,ラベル付きトレーニングデータに制限がある場合,ImageNetによる事前学習よりも高い分類性能を実現する。
論文参考訳（メタデータ） (2022-08-05T15:06:26Z)
PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文参考訳（メタデータ） (2022-05-24T12:14:26Z)
CXR-FL: Deep Learning-based Chest X-ray Image Analysis Using Federated Learning [0.0]
本稿では,胸部X線画像解析のための深層学習モデルの評価を行う。本研究は, 関心領域の訓練により, 肺のセグメンテーションに還元された場合には, 全体像と比較して, 分類モデルの性能が悪くなることを示す。
論文参考訳（メタデータ） (2022-04-11T15:47:54Z)
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)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。