論文の概要: Ordinal Multiple-instance Learning for Ulcerative Colitis Severity Estimation with Selective Aggregated Transformer

• arxiv url: http://arxiv.org/abs/2411.14750v1
• Date: Fri, 22 Nov 2024 06:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-25 15:03:51.709617
• Title: Ordinal Multiple-instance Learning for Ulcerative Colitis Severity Estimation with Selective Aggregated Transformer
• Title（参考訳）: 選択的凝集型変圧器を用いた潰瘍性大腸炎重症度推定のための日常的多重インスタンス学習
• Authors: Kaito Shiku, Kazuya Nishimura, Daiki Suehiro, Kiyohito Tanaka, Ryoma Bise,
• Abstract要約: 選択的アグリゲータトークンを用いた変圧器による患者レベルの重症度推定法を提案する。 本手法は, 各患者で撮影した画像から, 重篤な部分の特徴を効果的に収集することができる。 提案手法の2つのデータセットに対する有効性を示す実験を行った。
• 参考スコア（独自算出の注目度）: 4.2875024530011085
• License:
• Abstract: Patient-level diagnosis of severity in ulcerative colitis (UC) is common in real clinical settings, where the most severe score in a patient is recorded. However, previous UC classification methods (i.e., image-level estimation) mainly assumed the input was a single image. Thus, these methods can not utilize severity labels recorded in real clinical settings. In this paper, we propose a patient-level severity estimation method by a transformer with selective aggregator tokens, where a severity label is estimated from multiple images taken from a patient, similar to a clinical setting. Our method can effectively aggregate features of severe parts from a set of images captured in each patient, and it facilitates improving the discriminative ability between adjacent severity classes. Experiments demonstrate the effectiveness of the proposed method on two datasets compared with the state-of-the-art MIL methods. Moreover, we evaluated our method in real clinical settings and confirmed that our method outperformed the previous image-level methods. The code is publicly available at https://github.com/Shiku-Kaito/Ordinal-Multiple-instance-Learning-for-Ulcerative-Colitis-Severity-Es timation.
• Abstract（参考訳）: 潰瘍性大腸炎 (UC) の重症度診断は, 臨床現場では最も重篤なスコアが記録されている。 しかし、以前のUC分類法(すなわち画像レベルの推定)は、主に入力が単一画像であると仮定していた。 したがって、これらの手法は、実際の臨床環境で記録された重篤なラベルを利用できない。 本稿では,患者から抽出した複数の画像から重症度ラベルを推定する,選択的アグリゲータトークンを持つトランスフォーマーによる患者レベルの重症度推定法を提案する。 本手法は,各患者が撮影した画像から重篤な部分の特徴を効果的に集約し,隣り合う重篤なクラス間の識別能力を向上させる。 提案手法の2つのデータセットに対する有効性を示す実験を行った。 さらに,本手法を実際の臨床条件で評価し,従来の画像レベルの手法よりも優れていたことを確認した。 コードはhttps://github.com/Shiku-Kaito/Ordinal-Multiple-instance-Learning-for-Ulcerative-Colitis-Severity-Es timationで公開されている。

関連論文リスト

• Ulcerative Colitis Mayo Endoscopic Scoring Classification with Active Learning and Generative Data Augmentation [2.5241576779308335]
  深層学習に基づく手法は、これらの画像の自動解析に有効であり、医師の助けになる可能性がある。 本稿では,能動的学習に基づく生成促進手法を提案する。 この方法は、実際の内視鏡画像からなる小さなデータセットを用いてトレーニングすることで、多数の合成サンプルを生成することを含む。
  論文  参考訳（メタデータ） (2023-11-10T13:42:21Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• SPLAL: Similarity-based pseudo-labeling with alignment loss for semi-supervised medical image classification [11.435826510575879]
  半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。 医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。 本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
  論文  参考訳（メタデータ） (2023-07-10T14:53:24Z)
• 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)
• Active learning for medical image segmentation with stochastic batches [13.171801108109198]
  手動ラベリングを減らすために、アクティブラーニング(AL)は、ラベル付きトレーニングセットに注釈を付け、追加するために、未ラベルセットから最も情報性の高いサンプルをターゲットにする。 本研究の目的は、ランダムサンプリングによって提供される多様性と速度を利用して、医用画像のセグメント化のための不確実性に基づくAL手法の選択を改善することである。
  論文  参考訳（メタデータ） (2023-01-18T17:25:55Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• 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)
• Order-Guided Disentangled Representation Learning for Ulcerative Colitis Classification with Limited Labels [8.302375673936387]
  潰瘍性大腸炎(UC)分類のための実践的半教師あり学習法を提案する。 提案手法は,解離過程により,UC分類の本質的情報を効率的に抽出することができる。 実験の結果,提案手法は,既存の半教師あり学習法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-11-06T06:53:40Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。