Fugu-MT 論文翻訳(概要): Continual Deep Active Learning for Medical Imaging: Replay-Base Architecture for Context Adaptation

論文の概要: Continual Deep Active Learning for Medical Imaging: Replay-Base Architecture for Context Adaptation

arxiv url: http://arxiv.org/abs/2501.08245v1
Date: Tue, 14 Jan 2025 16:31:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-15 13:26:24.131858
Title: Continual Deep Active Learning for Medical Imaging: Replay-Base Architecture for Context Adaptation
Title（参考訳）: 医用イメージングのための連続的深部能動学習:コンテキスト適応のためのリプレイベースアーキテクチャ
Authors: Rui Daniel, M. Rita Verdelho, Catarina Barata, Carlos Santiago,
Abstract要約: 医療画像の深層学習は、新しい文脈への適応と一般化の課題に直面している。本研究は、堅牢な医用画像解析のための新しいフレームワークを開発するための2つのアプローチ(CAL)を探求する。 RBACAはCALのないベースラインフレームワークよりも優れており、様々なメモリサイズやアノテーション予算にまたがる最先端のCALメソッドである。
参考スコア（独自算出の注目度）: 8.867734798489037
License:
Abstract: Deep Learning for medical imaging faces challenges in adapting and generalizing to new contexts. Additionally, it often lacks sufficient labeled data for specific tasks requiring significant annotation effort. Continual Learning (CL) tackles adaptability and generalizability by enabling lifelong learning from a data stream while mitigating forgetting of previously learned knowledge. Active Learning (AL) reduces the number of required annotations for effective training. This work explores both approaches (CAL) to develop a novel framework for robust medical image analysis. Based on the automatic recognition of shifts in image characteristics, Replay-Base Architecture for Context Adaptation (RBACA) employs a CL rehearsal method to continually learn from diverse contexts, and an AL component to select the most informative instances for annotation. A novel approach to evaluate CAL methods is established using a defined metric denominated IL-Score, which allows for the simultaneous assessment of transfer learning, forgetting, and final model performance. We show that RBACA works in domain and class-incremental learning scenarios, by assessing its IL-Score on the segmentation and diagnosis of cardiac images. The results show that RBACA outperforms a baseline framework without CAL, and a state-of-the-art CAL method across various memory sizes and annotation budgets. Our code is available in https://github.com/RuiDaniel/RBACA .
Abstract（参考訳）: 医療画像の深層学習は、新しい文脈への適応と一般化の課題に直面している。さらに、重要なアノテーションの努力を必要とする特定のタスクに対して、十分なラベル付きデータがないこともしばしばあります。連続学習(CL)は、データストリームからの生涯学習を可能とし、学習した知識の忘れを軽減し、適応性と一般化性に取り組む。アクティブラーニング(AL)は、効果的なトレーニングに必要なアノテーションの数を減らす。本研究は、堅牢な医用画像解析のための新しいフレームワークを開発するための2つのアプローチ(CAL)について検討する。 Replay-Base Architecture for Context Adaptation (RBACA)は、画像特性のシフトの自動認識に基づいて、さまざまなコンテキストから継続的に学習するCLリハーサルメソッドと、アノテーションの最も情報性の高いインスタンスを選択するALコンポーネントを使用する。 CAL法を評価するための新しい手法として,移動学習,忘れ,最終的なモデル性能の同時評価を可能にする,定義されたメートル法デノミネーションIL-Score(IL-Score)が確立されている。 RBACAは, 心筋画像のセグメンテーションと診断において, ILスコアを評価することで, ドメイン・クラス・インクリメンタル・ラーニングのシナリオにおいて有効であることを示す。その結果、RBACAはCALを使わずにベースラインフレームワークよりも優れており、様々なメモリサイズやアノテーションの予算にわたって最先端のCALメソッドであることがわかった。私たちのコードはhttps://github.com/RuiDaniel/RBACA で利用可能です。

関連論文リスト

Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文参考訳（メタデータ） (2023-03-30T18:20:00Z)
TAAL: Test-time Augmentation for Active Learning in Medical Image Segmentation [7.856339385917824]
本稿では,セグメンテーションのための半教師付きアクティブラーニング手法であるTAAL(Test-time Augmentation for Active Learning)を提案する。以上の結果から,TAALは既存のベースライン法よりも,完全教師付きと半教師付きの両方で優れていることが示された。
論文参考訳（メタデータ） (2023-01-16T22:19:41Z)
Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文参考訳（メタデータ） (2022-07-17T13:28:52Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
論文参考訳（メタデータ） (2021-11-25T13:11:49Z)
Improving Interpretability for Computer-aided Diagnosis tools on Whole Slide Imaging with Multiple Instance Learning and Gradient-based Explanations [2.5461557112299773]
我々はWSI分類アーキテクチャの設計を形式化し、断片的解釈可能性アプローチを提案する。本研究の目的は,タイルレベルスコアに基づいて決定を下す方法,タイルスコアがどう決定されるか,どの機能を用いてタスクに関連があるかを説明することである。そこで本研究では,AUCにおけるタイルレベルの分類性能を29%以上向上させる,新しい解釈可能性スライドレベルの熱マップを提案する。
論文参考訳（メタデータ） (2020-09-29T13:39:27Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
LRTD: Long-Range Temporal Dependency based Active Learning for Surgical Workflow Recognition [67.86810761677403]
本稿では,費用対効果の高い手術ビデオ解析のための新しい能動的学習法を提案する。具体的には,非局所的再帰的畳み込みネットワーク (NL-RCNet) を提案する。手術ワークフロー認識タスクを実行することで,大規模な手術ビデオデータセット(Cholec80)に対するアプローチを検証する。
論文参考訳（メタデータ） (2020-04-21T09:21:22Z)
Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。