Fugu-MT 論文翻訳(概要): ManiNeg: Manifestation-guided Multimodal Pretraining for Mammography Classification

論文の概要: ManiNeg: Manifestation-guided Multimodal Pretraining for Mammography Classification

arxiv url: http://arxiv.org/abs/2409.15745v1
Date: Tue, 24 Sep 2024 05:02:39 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 09:01:07.435436
Title: ManiNeg: Manifestation-guided Multimodal Pretraining for Mammography Classification
Title（参考訳）: ManiNeg:マンモグラフィ分類のためのマルチモーダルトレーニング
Authors: Xujun Li, Xin Wei, Jing Jiang, Danxiang Chen, Wei Zhang, Jinpeng Li,
Abstract要約: コントラスト学習はマンモグラフィーから致命的な病変の特徴を抽出する有効な方法として登場した。 ManiNegは、強い負のサンプルをマイニングするために、プロキシとしてマニフェストを活用する新しいアプローチである。以上の結果から,ManiNegは単調・マルチモーダルの両文脈で表現を改良するだけでなく,表現の質も向上することが示された。
参考スコア（独自算出の注目度）: 13.203685381863966
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Breast cancer is a significant threat to human health. Contrastive learning has emerged as an effective method to extract critical lesion features from mammograms, thereby offering a potent tool for breast cancer screening and analysis. A crucial aspect of contrastive learning involves negative sampling, where the selection of appropriate hard negative samples is essential for driving representations to retain detailed information about lesions. In contrastive learning, it is often assumed that features can sufficiently capture semantic content, and that each minibatch inherently includes ideal hard negative samples. However, the characteristics of breast lumps challenge these assumptions. In response, we introduce ManiNeg, a novel approach that leverages manifestations as proxies to mine hard negative samples. Manifestations, which refer to the observable symptoms or signs of a disease, provide a knowledge-driven and robust basis for choosing hard negative samples. This approach benefits from its invariance to model optimization, facilitating efficient sampling. To support ManiNeg and future research endeavors, we developed the MVKL dataset, which includes multi-view mammograms, corresponding reports, meticulously annotated manifestations, and pathologically confirmed benign-malignant outcomes. We evaluate ManiNeg on the benign and malignant classification task. Our results demonstrate that ManiNeg not only improves representation in both unimodal and multimodal contexts but also shows generalization across datasets. The MVKL dataset and our codes are publicly available at https://github.com/wxwxwwxxx/ManiNeg.
Abstract（参考訳）: 乳癌は人間の健康にとって重大な脅威である。コントラスト学習はマンモグラフィーから致命的な病変の特徴を抽出する有効な方法として出現し、乳がんスクリーニングおよび解析のための強力なツールを提供する。対照的な学習の重要な側面は、病変の詳細な情報を保持するために、適切なハードネガティブサンプルの選択が不可欠である、ネガティブサンプリングである。対照的な学習では、特徴が十分セマンティックコンテンツをキャプチャし、各ミニバッチは本質的に理想的なハード・ネガティブなサンプルを含むと仮定されることが多い。しかし、乳房の隆起の特徴はこれらの前提に異議を唱える。反応としてマニネグ(ManiNeg)を紹介した。観察可能な症状や病気の兆候を指すマニファストレーションは、堅い陰性サンプルを選択するための知識駆動的で堅牢な基礎を提供する。このアプローチは、モデル最適化への不変性の恩恵を受け、効率的なサンプリングを容易にする。 ManiNeg と今後の研究を支援するため,多視点マンモグラム,対応レポート,微妙な注釈付きマニフェスト,病理学的に良悪性な結果を含むMVKLデータセットを開発した。良性および悪性の分類課題におけるManiNegの評価を行った。以上の結果から,ManiNegは非モーダル・マルチモーダル両方の文脈での表現を改善するだけでなく,データセット間の一般化も示している。 MVKLデータセットと私たちのコードはhttps://github.com/wxwxwwxxx/ManiNeg.comで公開されています。

関連論文リスト

Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels [8.934328206473456]
病理組織像分割のための新しい蒸留フレームワークを提案する。この枠組みは, 学生が教師の総合的な成果から直接学習できる, 反復的融合知識蒸留戦略を導入している。
論文参考訳（メタデータ） (2024-07-14T17:15:47Z)
Mitigating annotation shift in cancer classification using single image generative models [1.1864334278373239]
本研究は乳房マンモグラフィー領域における癌分類におけるアノテーションシフトをシミュレートし,解析し,緩和する。本研究では, 影響のあるクラスに対して, 単一画像生成モデルに基づくトレーニングデータ拡張手法を提案する。本研究は、深層学習乳癌分類におけるアノテーションシフトに関する重要な知見を提供し、ドメインシフトの課題を克服するための単一画像生成モデルの可能性を探る。
論文参考訳（メタデータ） (2024-05-30T07:02:50Z)
Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2024-03-14T12:05:25Z)
Morphology-Enhanced CAM-Guided SAM for weakly supervised Breast Lesion Segmentation [7.747608350830482]
早期乳房超音波画像における病変の断片化を弱体化するための新しい枠組みを提案する。本手法は,形態的拡張とクラスアクティベーションマップ(CAM)誘導局所化を用いた。このアプローチはピクセルレベルのアノテーションを必要としないため、データアノテーションのコストが削減される。
論文参考訳（メタデータ） (2023-11-18T22:06:04Z)
Multimodal Contrastive Learning with Hard Negative Sampling for Human Activity Recognition [14.88934924520362]
HAR(Human Activity Recognition)システムは、ビジョンとユビキタスコンピューティングコミュニティによって広く研究されている。骨格とIMUデータペアのハードネガティブサンプリング損失を有するマルチモーダルHARのハードネガティブサンプリング法を提案する。我々は,HARタスクの強い特徴表現を学習するためのアプローチの頑健さと,限られたデータ設定上での頑健さを実証する。
論文参考訳（メタデータ） (2023-09-03T20:00:37Z)
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)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文参考訳（メタデータ） (2021-09-22T15:06:06Z)
Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文参考訳（メタデータ） (2020-07-21T13:27:09Z)
Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
論文参考訳（メタデータ） (2020-05-29T21:23:00Z)
Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
論文参考訳（メタデータ） (2020-05-20T06:25:21Z)

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。