論文の概要: Confident Pseudo-labeled Diffusion Augmentation for Canine Cardiomegaly Detection

• arxiv url: http://arxiv.org/abs/2501.07533v1
• Date: Mon, 13 Jan 2025 18:10:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:24:00.671874
• Title: Confident Pseudo-labeled Diffusion Augmentation for Canine Cardiomegaly Detection
• Title（参考訳）: 犬の心内膜検出における疑似擬似ラベル拡散増強法
• Authors: Shiman Zhang, Lakshmikar Reddy Polamreddy, Youshan Zhang,
• Abstract要約: 肥大した心臓を特徴とする犬の心肥大は、検出されていない場合、深刻な健康リスクを引き起こす。 現在の検出モデルは、しばしば小さく、注釈の付かないデータセットに依存している。 犬の心内膜を同定するための信頼的擬似ラベル付き拡散拡張モデルを提案する。
• 参考スコア（独自算出の注目度）: 7.9471205712560264
• License:
• Abstract: Canine cardiomegaly, marked by an enlarged heart, poses serious health risks if undetected, requiring accurate diagnostic methods. Current detection models often rely on small, poorly annotated datasets and struggle to generalize across diverse imaging conditions, limiting their real-world applicability. To address these issues, we propose a Confident Pseudo-labeled Diffusion Augmentation (CDA) model for identifying canine cardiomegaly. Our approach addresses the challenge of limited high-quality training data by employing diffusion models to generate synthetic X-ray images and annotate Vertebral Heart Score key points, thereby expanding the dataset. We also employ a pseudo-labeling strategy with Monte Carlo Dropout to select high-confidence labels, refine the synthetic dataset, and improve accuracy. Iteratively incorporating these labels enhances the model's performance, overcoming the limitations of existing approaches. Experimental results show that the CDA model outperforms traditional methods, achieving state-of-the-art accuracy in canine cardiomegaly detection. The code implementation is available at https://github.com/Shira7z/CDA.
• Abstract（参考訳）: 肥大した心臓を特徴とする犬の心肥大は、検出されていない場合に深刻な健康リスクを生じ、正確な診断方法を必要とする。 現在の検出モデルは、しばしば小さく、注釈の付かないデータセットに依存し、様々な画像条件をまたいだ一般化に苦慮し、現実の応用性を制限している。 これらの課題に対処するために,犬心肥大を識別するための信頼的擬似ラベル拡散拡張(CDA)モデルを提案する。 提案手法は,拡散モデルを用いて合成X線画像を生成し,Vertebral Heart Scoreキーポイントをアノテートすることにより,データセットを拡張することによって,限られた高品質なトレーニングデータの課題に対処する。 また、モンテカルロ・ドロップアウトと擬似ラベル戦略を用いて、高信頼ラベルを選択し、合成データセットを洗練し、精度を向上させる。 これらのラベルを反復的に組み込むことは、既存のアプローチの限界を克服し、モデルの性能を高める。 実験の結果,CDAモデルは従来の方法よりも優れており,犬の心内膜検出における最先端の精度が得られた。 コード実装はhttps://github.com/Shira7z/CDAで公開されている。

関連論文リスト

• How Can We Tame the Long-Tail of Chest X-ray Datasets? [0.0]
  胸部X線(英: Chest X-rays、CXR)は、多数の異常を推測するために用いられる医療画像のモダリティである。 非常に一般的に観測されており、CXRデータセットで十分に表現されているものはほとんどない。 現在のモデルでは、稀ではあるが高い意味を持つラベルの独立した差別的特徴を学習することは困難である。
  論文  参考訳（メタデータ） (2023-09-08T12:28:40Z)
• Synthetic Augmentation with Large-scale Unconditional Pre-training [4.162192894410251]
  アノテーション付きデータへの依存性を低減するため,HistoDiffusionという合成拡張手法を提案する。 HistoDiffusionは、大規模にラベル付けされていないデータセットで事前トレーニングし、その後、拡張トレーニングのために小さなラベル付きデータセットに適用することができる。 本手法は,3つの病理組織学的データセットを事前学習し,大腸癌の病理組織学的データセット(CRC)を事前学習データセットから除外して評価する。
  論文  参考訳（メタデータ） (2023-08-08T03:34:04Z)
• Semi-Supervised Learning for Multi-Label Cardiovascular Diseases Prediction:A Multi-Dataset Study [17.84069222975825]
  現在の心電図に基づく診断システムは,ディープラーニング技術の急速な発展により,有望な性能を示す。 ラベル不足、複数のCVDの共起、目に見えないデータセットのパフォーマンスの低下は、ディープラーニングベースのモデルの普及を妨げる。 本稿では,複数のCVDを同時に認識するマルチラベル半教師付きモデル(ECGMatch)を提案する。
  論文  参考訳（メタデータ） (2023-06-18T07:46:19Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• 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)
• Correcting Data Imbalance for Semi-Supervised Covid-19 Detection Using X-ray Chest Images [4.1950566803514935]
  半教師付きディープラーニングアーキテクチャMixMatchの性能評価を行った。 新しいデータセットは、コスタリカの成人患者の胸部X線画像からなる検証データセットに含まれる。
  論文  参考訳（メタデータ） (2020-08-19T15:16:57Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。