論文の概要: Self-Supervised Learning for Building Robust Pediatric Chest X-ray Classification Models

• arxiv url: http://arxiv.org/abs/2409.00231v1
• Date: Fri, 30 Aug 2024 19:50:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 16:18:33.962229
• Title: Self-Supervised Learning for Building Robust Pediatric Chest X-ray Classification Models
• Title（参考訳）: ロバストな小児胸部X線分類モデル構築のための自己教師付き学習
• Authors: Sheng Cheng, Zbigniew A. Starosolski, Devika Subramanian,
• Abstract要約: 本研究では,移動学習と自己教師付きコントラスト学習を組み合わせた新しいアプローチであるSCCを提案する。 我々は、ある小児科のCXRデータセットでSCCをトレーニングし、異なるソースから他の2つの小児科のデータセットでその性能を評価する。 以上の結果から,SCCのアウト・オブ・ディストリビューション(ゼロショット)性能は,AUCの13.6%,34.6%以上であることがわかった。
• 参考スコア（独自算出の注目度）: 4.208033504249755
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in deep learning for Medical Artificial Intelligence have demonstrated that models can match the diagnostic performance of clinical experts in adult chest X-ray (CXR) interpretation. However, their application in the pediatric context remains limited due to the scarcity of large annotated pediatric image datasets. Additionally, significant challenges arise from the substantial variability in pediatric CXR images across different hospitals and the diverse age range of patients from 0 to 18 years. To address these challenges, we propose SCC, a novel approach that combines transfer learning with self-supervised contrastive learning, augmented by an unsupervised contrast enhancement technique. Transfer learning from a well-trained adult CXR model mitigates issues related to the scarcity of pediatric training data. Contrastive learning with contrast enhancement focuses on the lungs, reducing the impact of image variations and producing high-quality embeddings across diverse pediatric CXR images. We train SCC on one pediatric CXR dataset and evaluate its performance on two other pediatric datasets from different sources. Our results show that SCC's out-of-distribution (zero-shot) performance exceeds regular transfer learning in terms of AUC by 13.6% and 34.6% on the two test datasets. Moreover, with few-shot learning using 10 times fewer labeled images, SCC matches the performance of regular transfer learning trained on the entire labeled dataset. To test the generality of the framework, we verify its performance on three benchmark breast cancer datasets. Starting from a model trained on natural images and fine-tuned on one breast dataset, SCC outperforms the fully supervised learning baseline on the other two datasets in terms of AUC by 3.6% and 5.5% in zero-shot learning.
• Abstract（参考訳）: 近年のDeep Learning for Medical Artificial Intelligenceの進歩により、成人胸部X線(CXR)解釈における臨床専門家の診断能力とモデルが一致することが示されている。 しかし、大きな注釈付き小児画像データセットが不足しているため、小児領域での応用は依然として限られている。 さらに、異なる病院にまたがる小児CXR画像の変動や、0歳から18歳までの多彩な年齢差から大きな課題が生じる。 これらの課題に対処するために,移動学習と自己教師付きコントラスト学習を組み合わせた新しいアプローチ SCC を提案する。 十分に訓練された成人CXRモデルからの移行学習は、小児訓練データの不足に関連する問題を緩和する。 コントラスト強調によるコントラスト学習は、肺に焦点を当て、画像のバリエーションの影響を減らし、様々な小児科のCXR画像に高品質な埋め込みを生成する。 我々は、ある小児科のCXRデータセットでSCCをトレーニングし、異なるソースから他の2つの小児科のデータセットでその性能を評価する。 以上の結果から,SCCのアウト・オブ・ディストリビューション(ゼロショット)性能は,AUCの13.6%,テストデータセット34.6%以上であることがわかった。 さらに、ラベル付き画像の10倍の少ない撮影学習では、SCCはラベル付きデータセット全体をトレーニングした正規転送学習のパフォーマンスにマッチする。 本フレームワークの汎用性を検証するため,3つのベンチマーク乳がんデータセットの性能を検証した。 自然画像に基づいて訓練され、1つの乳房データセットで微調整されたモデルから始めると、SCCはAUCの3.6%、ゼロショット学習の5.5%で、他の2つのデータセットで完全に教師付き学習ベースラインを上回っている。

関連論文リスト

• Improving Pediatric Pneumonia Diagnosis with Adult Chest X-ray Images Utilizing Contrastive Learning and Embedding Similarity [2.0318411357438086]
  本稿では,小児テストデータセット上でのディープラーニングモデルの性能向上を目的とした3分岐並列パス学習フレームワークを提案する。 提案手法は, クラスワイド埋め込みのクラスタ化と, クラスワイド埋め込みを極力近いものにするため, ドメインシフトの影響を低減するために, クラスワイド埋め込みのクラスタリングと3つの並列パス間の埋め込み類似性損失を利用する。
  論文  参考訳（メタデータ） (2024-04-19T15:40:47Z)
• Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using Adversarial Training [0.8287206589886881]
  我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。 得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
  論文  参考訳（メタデータ） (2023-11-23T23:40:01Z)
• MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep Models for X-ray Images of Multiple Body Parts [63.30352394004674]
  MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。 MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。 肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
  論文  参考訳（メタデータ） (2023-10-03T12:19:19Z)
• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Multi-Feature Vision Transformer via Self-Supervised Representation Learning for Improvement of COVID-19 Diagnosis [2.3513645401551333]
  CXR画像からのCOVID-19感染症の診断における自己教師型学習の有効性について検討した。 我々は、元のCXR画像とそれに対応する拡張されたローカル位相CXR画像から情報を学ぶために、クロスアテンション機構をデプロイする。 局所位相に基づく拡張CXR画像を活用することで,ベースライン型自己教師学習モデルの性能をさらに向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-03T05:02:47Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• COVID-19 identification from volumetric chest CT scans using a progressively resized 3D-CNN incorporating segmentation, augmentation, and class-rebalancing [4.446085353384894]
  新型コロナウイルスは世界的なパンデミックの流行だ。 高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。 本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
  論文  参考訳（メタデータ） (2021-02-11T18:16:18Z)
• Contrastive Cross-site Learning with Redesigned Net for COVID-19 CT Classification [20.66003113364796]
  新型コロナウイルス感染症(COVID-19)のパンデミックにより、世界の公衆衛生危機が数百カ国で拡大している。 画像解釈の面倒な作業量を削減するとともに、臨床診断を支援するために、CT画像を用いたCOVID-19識別自動化ツールの開発が望まれている。 本稿では、異種データセットを効果的に学習することで、正確な新型コロナウイルス識別を行うための新しい共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-15T11:09:04Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。