Fugu-MT 論文翻訳(概要): Semise: Semi-supervised learning for severity representation in medical image

論文の概要: Semise: Semi-supervised learning for severity representation in medical image

arxiv url: http://arxiv.org/abs/2501.03848v1
Date: Tue, 07 Jan 2025 15:03:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-08 15:46:47.630577
Title: Semise: Semi-supervised learning for severity representation in medical image
Title（参考訳）: セミセ-医療画像における重症度表現のためのセミ教師あり学習
Authors: Dung T. Tran, Hung Vu, Anh Tran, Hieu Pham, Hong Nguyen, Phong Nguyen,
Abstract要約: SEMISEは、自己教師付き学習と教師付き学習を組み合わせた医療画像における表現学習の方法である。ラベル付きデータと拡張データの両方を活用することで、SEMISEはデータの不足という課題に対処し、エンコーダが意味のある特徴を抽出する能力を高める。
参考スコア（独自算出の注目度）: 11.145473299479798
License:
Abstract: This paper introduces SEMISE, a novel method for representation learning in medical imaging that combines self-supervised and supervised learning. By leveraging both labeled and augmented data, SEMISE addresses the challenge of data scarcity and enhances the encoder's ability to extract meaningful features. This integrated approach leads to more informative representations, improving performance on downstream tasks. As result, our approach achieved a 12% improvement in classification and a 3% improvement in segmentation, outperforming existing methods. These results demonstrate the potential of SIMESE to advance medical image analysis and offer more accurate solutions for healthcare applications, particularly in contexts where labeled data is limited.
Abstract（参考訳）: 本稿では,自己教師型学習と教師型学習を組み合わせた医用画像の表現学習手法であるSEMISEを紹介する。ラベル付きデータと拡張データの両方を活用することで、SEMISEはデータの不足という課題に対処し、エンコーダが意味のある特徴を抽出する能力を高める。この統合されたアプローチは、より情報的な表現をもたらし、下流タスクのパフォーマンスを改善します。その結果,分類が12%改善し,セグメント化が3%改善し,既存の手法よりも優れていた。これらの結果は、特にラベル付きデータが限られている状況において、SIMESEが医療画像解析を進歩させ、医療応用のためのより正確なソリューションを提供する可能性を示している。

関連論文リスト

OPTiML: Dense Semantic Invariance Using Optimal Transport for Self-Supervised Medical Image Representation [6.4136876268620115]
自己教師付き学習(SSL)は、アノテーションなしで学習できることから、医用画像解析の有望な技術として登場した。本稿では, 最適トランスポート(OT)を用いたSSLフレームワークOPTiMLを導入し, 密接なセマンティック不変性と細粒度の詳細を捉える。実験の結果,OPTiMLはすべての評価課題において最先端の手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） (2024-04-18T02:59:48Z)
Integration of Self-Supervised BYOL in Semi-Supervised Medical Image Recognition [10.317372960942972]
本稿では,自己教師付き学習を半教師付きモデルに統合し,医用画像認識を向上する,革新的なアプローチを提案する。提案手法はラベルのないデータを最適に活用し,医用画像認識の精度で既存の手法より優れている。
論文参考訳（メタデータ） (2024-04-16T09:12:16Z)
Enhancing Weakly Supervised 3D Medical Image Segmentation through Probabilistic-aware Learning [52.249748801637196]
3次元医用画像のセグメンテーションは、疾患の診断と治療計画に重要な意味を持つ課題である。近年の深層学習の進歩は、完全に教師付き医療画像のセグメンテーションを著しく強化している。本稿では,3次元医用画像に特化して設計された,確率的適応型弱教師付き学習パイプラインを提案する。
論文参考訳（メタデータ） (2024-03-05T00:46:53Z)
Exploring Intrinsic Properties of Medical Images for Self-Supervised Binary Semantic Segmentation [4.604003661048267]
ダイナミック・セルフアダプティブ・セマンティック(MedSASS)を応用した医用画像の紹介 MedSASSは、医療画像のセグメンテーションに適した、専用のセルフ教師付きフレームワークである。 MedSASSを4つの多様な医療データセットにまたがる既存の最先端手法に対して評価した。
論文参考訳（メタデータ） (2024-02-04T06:39:01Z)
MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文参考訳（メタデータ） (2024-02-03T05:48:50Z)
Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。 3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文参考訳（メタデータ） (2023-08-07T14:16:52Z)
A Knowledge-based Learning Framework for Self-supervised Pre-training Towards Enhanced Recognition of Medical Images [14.304996977665212]
本研究では,医用画像の認識向上に向けた知識ベース学習フレームワークを提案する。コントラスト学習と生成学習モデルを相乗化することで、3つのフェーズで機能する。提案したフレームワークは、AUC/DiceのSimCLRよりも2.08, 1.23, 1.12, 0.76, 1.38ポイント改善された自己教師型ベンチマークで統計的に優れている。
論文参考訳（メタデータ） (2022-11-27T03:58:58Z)
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)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文参考訳（メタデータ） (2021-11-01T15:31:32Z)
Self-Paced Contrastive Learning for Semi-supervisedMedical Image Segmentation with Meta-labels [6.349708371894538]
メタラベルアノテーションを扱うために、コントラスト学習を適用することを提案する。画像エンコーダの事前トレーニングにはメタラベルを使用し、半教師付きトレーニングを標準化する。 3つの異なる医用画像セグメンテーションデータセットの結果から,本手法は数回のスキャンでトレーニングしたモデルの性能を大幅に向上させることが示された。
論文参考訳（メタデータ） (2021-07-29T04:30:46Z)

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。