論文の概要: Parameter-efficient Fine-tuning for improved Convolutional Baseline for Brain Tumor Segmentation in Sub-Saharan Africa Adult Glioma Dataset

• arxiv url: http://arxiv.org/abs/2412.14100v1
• Date: Wed, 18 Dec 2024 17:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:48:28.533291
• Title: Parameter-efficient Fine-tuning for improved Convolutional Baseline for Brain Tumor Segmentation in Sub-Saharan Africa Adult Glioma Dataset
• Title（参考訳）: サハラ以南のアフリカアダルトグリオーマデータセットにおける脳腫瘍切除のための改良された畳み込みベースラインのためのパラメータ効率の微調整
• Authors: Bijay Adhikari, Pratibha Kulung, Jakesh Bohaju, Laxmi Kanta Poudel, Confidence Raymond, Dong Zhang, Udunna C Anazodo, Bishesh Khanal, Mahesh Shakya,
• Abstract要約: 本稿では,畳み込み型アダプタを提案する。 MedNeXtアーキテクチャの微細チューニング(PEFT)。 提案手法は完全微調整に匹敵する性能を示す。
• 参考スコア（独自算出の注目度）: 4.645747837508444
• License:
• Abstract: Automating brain tumor segmentation using deep learning methods is an ongoing challenge in medical imaging. Multiple lingering issues exist including domain-shift and applications in low-resource settings which brings a unique set of challenges including scarcity of data. As a step towards solving these specific problems, we propose Convolutional adapter-inspired Parameter-efficient Fine-tuning (PEFT) of MedNeXt architecture. To validate our idea, we show our method performs comparable to full fine-tuning with the added benefit of reduced training compute using BraTS-2021 as pre-training dataset and BraTS-Africa as the fine-tuning dataset. BraTS-Africa consists of a small dataset (60 train / 35 validation) from the Sub-Saharan African population with marked shift in the MRI quality compared to BraTS-2021 (1251 train samples). We first show that models trained on BraTS-2021 dataset do not generalize well to BraTS-Africa as shown by 20% reduction in mean dice on BraTS-Africa validation samples. Then, we show that PEFT can leverage both the BraTS-2021 and BraTS-Africa dataset to obtain mean dice of 0.8 compared to 0.72 when trained only on BraTS-Africa. Finally, We show that PEFT (0.80 mean dice) results in comparable performance to full fine-tuning (0.77 mean dice) which may show PEFT to be better on average but the boxplots show that full finetuning results is much lesser variance in performance. Nevertheless, on disaggregation of the dice metrics, we find that the model has tendency to oversegment as shown by high specificity (0.99) compared to relatively low sensitivity(0.75). The source code is available at https://github.com/CAMERA-MRI/SPARK2024/tree/main/PEFT_MedNeXt
• Abstract（参考訳）: 深層学習法を用いて脳腫瘍のセグメンテーションを自動化することは、医用画像診断において現在進行中の課題である。 ドメインシフトや低リソース設定のアプリケーションなど、複数の言語問題が存在するため、データの不足など、さまざまな課題が発生している。 これらの問題を解決するためのステップとして、MedNeXtアーキテクチャの畳み込みアダプタによるパラメータ効率微調整(PEFT)を提案する。 提案手法の有効性を検証するために,BraTS-2021を事前学習データセットとして,BraTS-Africaを微調整データセットとして,トレーニング計算を減らし,完全微調整に匹敵する性能を示した。 BraTS-Africaは、サブサハラアフリカからの小さなデータセット(60編成/35編成の検証)で構成され、BraTS-2021 (1251編成のサンプル)と比較してMRIの品質が著しく変化している。 まず、BraTS-2021データセットでトレーニングされたモデルは、BraTS-Africaの検証サンプルの平均ダイスを20%削減したように、BraTS-Africaとよく一致しないことを示す。 次に,PEFT は BraTS-2021 と BraTS-Africa のデータセットを用いて,BraTS-Africa でのみトレーニングした場合の 0.8 の平均ダイスを 0.72 と比較した。 最後に,PEFT (0.80 mean dice) が完全微調整 (0.77 mean dice) に匹敵する性能を示した。 しかしながら, ダイス測定値の分解では, 比較的低い感度 (0.75) に比べて, 高い特異性 (0.99) で示されるように, 重畳傾向にあることがわかった。 ソースコードはhttps://github.com/CAMERA-MRI/SPARK2024/tree/main/PEFT_MedNeXtで入手できる。

関連論文リスト

• Optimizing Brain Tumor Segmentation with MedNeXt: BraTS 2024 SSA and Pediatrics [0.6820272276959313]
  本研究は,MedNeXtを用いたBraTS-2024 SSAおよび小児腫瘍のセグメンテーション法について述べる。 提案手法は,BraTS-2024 SSAデータセットでは平均Dice similarity Coefficient(DSC)が0.896,BraTS小児腫瘍データセットでは平均DSCが0.830であった。
  論文  参考訳（メタデータ） (2024-11-24T15:19:19Z)
• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• MedSegMamba: 3D CNN-Mamba Hybrid Architecture for Brain Segmentation [15.514511820130474]
  我々は皮質下脳分割のための3DパッチベースのハイブリッドCNN-Mambaモデルを開発した。 モデルの性能をいくつかのベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-09-12T02:19:19Z)
• Bridging the Gap: Generalising State-of-the-Art U-Net Models to Sub-Saharan African Populations [37.59488403618245]
  腫瘍セグメンテーションモデルにとって重要な課題は、多様な臨床環境に適応できる能力である。 2022年のBraTSコンペティションにおける第2位を確保したフレームワークを再現し、データセット合成がモデル性能に与える影響を調査した。
  論文  参考訳（メタデータ） (2023-12-19T01:03:19Z)
• Detecting the Presence of COVID-19 Vaccination Hesitancy from South African Twitter Data Using Machine Learning [0.9830751917335564]
  ワクチン接種はパンデミックと戦う主要なツールだが、ワクチンのヘシタシーは公衆衛生の努力を危険にさらしている。 そこで本研究では,AIを用いた分類モデルの訓練を目的とした,ワクチンのヘシタシーに関連する南アフリカのツイートに対する感情分析を行った。
  論文  参考訳（メタデータ） (2023-07-12T13:28:37Z)
• Exploring the Value of Pre-trained Language Models for Clinical Named Entity Recognition [6.917786124918387]
  我々は、スクラッチからトレーニングされたTransformerモデルと、細調整されたBERTベースのLLMを比較した。 文脈学習を促進するために,追加のCRF層がそのようなモデルに与える影響を検討する。
  論文  参考訳（メタデータ） (2022-10-23T16:27:31Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
  脳画像合成のための新しい自己教師型学習(FedMed)を提案する。 アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。 提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
  論文  参考訳（メタデータ） (2022-01-29T13:45:39Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。