論文の概要: SelectiveKD: A semi-supervised framework for cancer detection in DBT through Knowledge Distillation and Pseudo-labeling
- arxiv url: http://arxiv.org/abs/2409.16581v1
- Date: Wed, 25 Sep 2024 03:19:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 05:45:19.549641
- Title: SelectiveKD: A semi-supervised framework for cancer detection in DBT through Knowledge Distillation and Pseudo-labeling
- Title（参考訳）: SelectiveKD:知識蒸留と擬似ラベルによるDBTがん検出のための半教師付きフレームワーク
- Authors: Laurent Dillard, Hyeonsoo Lee, Weonsuk Lee, Tae Soo Kim, Ali Diba, Thijs Kooi,
- Abstract要約: がん検出モデルを構築するための半教師付き学習フレームワークであるSelectiveKDを提案する。
本フレームワークは,選択的な拡張戦略を実装することで,教師の監督信号の潜在的なノイズを軽減する。
複数のデバイスメーカーやロケーションから収集した1万以上の試験を,大規模な実世界のデータセットで評価した。
- 参考スコア（独自算出の注目度）: 8.264996508661895
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: When developing Computer Aided Detection (CAD) systems for Digital Breast Tomosynthesis (DBT), the complexity arising from the volumetric nature of the modality poses significant technical challenges for obtaining large-scale accurate annotations. Without access to large-scale annotations, the resulting model may not generalize to different domains. Given the costly nature of obtaining DBT annotations, how to effectively increase the amount of data used for training DBT CAD systems remains an open challenge. In this paper, we present SelectiveKD, a semi-supervised learning framework for building cancer detection models for DBT, which only requires a limited number of annotated slices to reach high performance. We achieve this by utilizing unlabeled slices available in a DBT stack through a knowledge distillation framework in which the teacher model provides a supervisory signal to the student model for all slices in the DBT volume. Our framework mitigates the potential noise in the supervisory signal from a sub-optimal teacher by implementing a selective dataset expansion strategy using pseudo labels. We evaluate our approach with a large-scale real-world dataset of over 10,000 DBT exams collected from multiple device manufacturers and locations. The resulting SelectiveKD process effectively utilizes unannotated slices from a DBT stack, leading to significantly improved cancer classification performance (AUC) and generalization performance.
- Abstract（参考訳）: デジタル乳房共生(DBT)のためのCADシステムの開発において,モダリティの体積特性から生じる複雑性は,大規模な正確なアノテーションを得る上で重要な技術的課題となっている。
大規模なアノテーションにアクセスできなければ、結果のモデルは異なるドメインに一般化できない。
DBTアノテーションの取得のコスト性を考えると、DBT CADシステムのトレーニングに使用されるデータ量を効果的に増やす方法は未解決の課題である。
本稿では,DBTのがん検出モデルを構築するための半教師付き学習フレームワークであるSelectiveKDを提案する。
我々は,DBTスタックで利用可能なラベルのないスライスを,教師モデルがDBTボリュームのすべてのスライスに対して,生徒モデルに監督信号を提供する知識蒸留フレームワークを通じて利用することにより,これを実現する。
本フレームワークは,擬似ラベルを用いた選択的データセット拡張戦略を実装することにより,教師の監督信号の潜在的なノイズを軽減する。
複数のデバイスメーカーやロケーションから収集した1万以上のDBT試験を,大規模な実世界のデータセットで評価した。
その結果、SelectiveKDプロセスはDBTスタックからの無注釈スライスを効果的に利用し、がん分類性能(AUC)と一般化性能を大幅に改善する。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - EP-SAM: Weakly Supervised Histopathology Segmentation via Enhanced Prompt with Segment Anything [3.760646312664378]
がんなどの疾患の病理診断は、従来、医師や病理医による形態学的特徴の評価に頼っていた。
近年,診断支援ツールとしてコンピュータ支援診断(CAD)システムの進歩が注目されている。
本稿では,クラスアクティベーションマップとSAMに基づく擬似ラベルを組み合わせ,弱教師付きセマンティックセマンティックセグメンテーション(WSSS)モデルを提案する。
論文 参考訳（メタデータ） (2024-10-17T14:55:09Z) - CoMoTo: Unpaired Cross-Modal Lesion Distillation Improves Breast Lesion Detection in Tomosynthesis [4.371794161279236]
本稿では, 病変検出の実用性を向上させるための新しいフレームワークであるCoMoToを提案する。
病変特異的知識蒸留(LsKD)とイントラモーダルポイントアライメント(ImPA)の2つの新しいコンポーネントを提案する。
総合評価の結果,CoMoToは従来の事前学習や画像レベルのKDよりも優れており,低データ環境下での平均感度が7%向上していることがわかった。
論文 参考訳（メタデータ） (2024-07-24T20:17:05Z) - Unsupervised Continual Anomaly Detection with Contrastively-learned
Prompt [80.43623986759691]
UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。
このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。
我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
論文 参考訳（メタデータ） (2024-01-02T03:37:11Z) - Dynamic Sub-graph Distillation for Robust Semi-supervised Continual
Learning [52.046037471678005]
半教師付き連続学習(SSCL)に焦点をあて、そのモデルが未知のカテゴリを持つ部分ラベル付きデータから徐々に学習する。
半教師付き連続学習のための動的サブグラフ蒸留法(DSGD)を提案する。
論文 参考訳（メタデータ） (2023-12-27T04:40:12Z) - Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。
1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。
トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文 参考訳（メタデータ） (2023-12-01T11:06:00Z) - Weakly Supervised Lesion Detection and Diagnosis for Breast Cancers with
Partially Annotated Ultrasound Images [19.374895481597466]
診断精度を高めるために弱教師付き学習に基づく2段階検出・診断ネットワーク(TSDDNet)を提案する。
提案するTSDDNetはBモード超音波データセットを用いて評価し,その実験結果から病変検出と診断の両タスクにおいて最高の性能を発揮することが示された。
論文 参考訳（メタデータ） (2023-06-12T09:26:54Z) - 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) - Deep Semi-supervised Metric Learning with Dual Alignment for Cervical
Cancer Cell Detection [49.78612417406883]
子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。
私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。
本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
論文 参考訳（メタデータ） (2021-04-07T17:11:27Z) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。