論文の概要: Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains

• arxiv url: http://arxiv.org/abs/2411.02466v1
• Date: Mon, 04 Nov 2024 12:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 15:00:34.912357
• Title: Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains
• Title（参考訳）: 多パラメータMRIにおける前立腺癌検出のためのサイズ制約付き弱教師付きディープラーニングモデルと未確認領域への一般化
• Authors: Robin Trombetta, Olivier Rouvière, Carole Lartizien,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.90668179713299
• License:
• Abstract: Fully supervised deep models have shown promising performance for many medical segmentation tasks. Still, the deployment of these tools in clinics is limited by the very timeconsuming collection of manually expert-annotated data. Moreover, most of the state-ofthe-art models have been trained and validated on moderately homogeneous datasets. It is known that deep learning methods are often greatly degraded by domain or label shifts and are yet to be built in such a way as to be robust to unseen data or label distributions. In the clinical setting, this problematic is particularly relevant as the deployment institutions may have different scanners or acquisition protocols than those from which the data has been collected to train the model. In this work, we propose to address these two challenges on the detection of clinically significant prostate cancer (csPCa) from bi-parametric MRI. We evaluate the method proposed by (Kervadec et al., 2018), which introduces a size constaint loss to produce fine semantic cancer lesions segmentations from weak circle scribbles annotations. Performance of the model is based on two public (PI-CAI and Prostate158) and one private databases. First, we show that the model achieves on-par performance with strong fully supervised baseline models, both on in-distribution validation data and unseen test images. Second, we observe a performance decrease for both fully supervised and weakly supervised models when tested on unseen data domains. This confirms the crucial need for efficient domain adaptation methods if deep learning models are aimed to be deployed in a clinical environment. Finally, we show that ensemble predictions from multiple trainings increase generalization performance.
• Abstract（参考訳）: 完全な教師付きディープモデルは、多くの医療セグメンテーションタスクにおいて有望なパフォーマンスを示している。 それでも、これらのツールのクリニックへの展開は、手作業による専門家による注釈付きデータの収集に非常に時間を要するため、制限されている。 さらに、最先端モデルのほとんどが、適度に均一なデータセットでトレーニングされ、検証されている。 ディープラーニングの手法はドメインやラベルのシフトによって大幅に劣化することがよく知られており、未確認のデータやラベルの分布に対して堅牢であるような方法ではまだ構築されていない。 臨床環境では、これは特に問題であり、デプロイ機関は、モデルをトレーニングするために収集されたデータとは異なるスキャナーまたは取得プロトコルを持つ可能性がある。 本稿では,この2つの課題に対処し,臨床上重要な前立腺癌 (csPCa) の検出について検討する。 Kervadec et al , 2018) により提案された手法は, 弱い円スクリブルアノテーションから, 微細な意味癌病変の分節を生じさせる大きさの持続的損失を生じさせるものである。 モデルの性能は2つのパブリック(PI-CAIとProstate158)と1つのプライベートデータベースに基づいている。 まず,本モデルでは,分散検証データと未確認テスト画像の両方に基づいて,完全教師付きベースラインモデルを用いたオンパー性能を実現する。 第二に、未確認データ領域でテストした場合、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を観察する。 このことは、深層学習モデルが臨床環境に展開されることを目標とした場合、効率的なドメイン適応手法の必要性を裏付けるものである。 最後に,複数のトレーニングからのアンサンブル予測が一般化性能を向上させることを示す。

関連論文リスト

• 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)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification [40.35834579068518]
  トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。 医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。 提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
  論文  参考訳（メタデータ） (2023-09-18T11:17:13Z)
• UDAMA: Unsupervised Domain Adaptation through Multi-discriminator Adversarial Training with Noisy Labels Improves Cardio-fitness Prediction [16.26599832125242]
  UDAMAは、教師なしドメイン適応と多識別器適応訓練の2つの重要な要素を持つ手法である。 特に,心呼吸適合度(CRF)予測に応用することで,UDAMAの実用可能性を示す。 この結果から,様々なラベルシフト設定における分布シフトを緩和し,有望な性能を示す。
  論文  参考訳（メタデータ） (2023-07-31T13:31:53Z)
• 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)
• Augmentation based unsupervised domain adaptation [2.304713283039168]
  小さく非表現的なデータに基づいてトレーニングされたディープラーニングモデルは、トレーニングに使用されるものと異なるデータにデプロイされた場合、パフォーマンスが向上する傾向があります。 本手法は, 対向領域適応と整合性トレーニングの特性を利用して, より堅牢な適応を実現する。
  論文  参考訳（メタデータ） (2022-02-23T13:06:07Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Cross-Domain Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
  本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。 正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
  論文  参考訳（メタデータ） (2020-06-08T07:35:55Z)
• 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。