論文の概要: Evaluation of Few-Shot Learning Methods for Kidney Stone Type Recognition in Ureteroscopy

• arxiv url: http://arxiv.org/abs/2505.17921v1
• Date: Fri, 23 May 2025 13:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:34.132097
• Title: Evaluation of Few-Shot Learning Methods for Kidney Stone Type Recognition in Ureteroscopy
• Title（参考訳）: 超音波によるキドニーストーン型認識のための数ショット学習法の評価
• Authors: Carlos Salazar-Ruiz, Francisco Lopez-Tiro, Ivan Reyes-Amezcua, Clement Larose, Gilberto Ochoa-Ruiz, Christian Daul,
• Abstract要約: 本研究は, 内視鏡画像における腎臓結石のタイプ同定に十分な識別的特徴を付与することを目的とした, 少数ショット学習に基づく深層学習手法を提案する。 その結果、トレーニングデータの最大25%を使用するプロトタイプネットワークは、完全なデータセットでトレーニングされた従来のディープラーニングモデルと同等以上のパフォーマンスを達成できることが示された。
• 参考スコア（独自算出の注目度）: 1.077541993594101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Determining the type of kidney stones is crucial for prescribing appropriate treatments to prevent recurrence. Currently, various approaches exist to identify the type of kidney stones. However, obtaining results through the reference ex vivo identification procedure can take several weeks, while in vivo visual recognition requires highly trained specialists. For this reason, deep learning models have been developed to provide urologists with an automated classification of kidney stones during ureteroscopies. Nevertheless, a common issue with these models is the lack of training data. This contribution presents a deep learning method based on few-shot learning, aimed at producing sufficiently discriminative features for identifying kidney stone types in endoscopic images, even with a very limited number of samples. This approach was specifically designed for scenarios where endoscopic images are scarce or where uncommon classes are present, enabling classification even with a limited training dataset. The results demonstrate that Prototypical Networks, using up to 25% of the training data, can achieve performance equal to or better than traditional deep learning models trained with the complete dataset.
• Abstract（参考訳）: 腎臓結石の種類を決定することは、再発を防ぐための適切な治療を規定するために重要である。 現在、腎臓石の種類を特定する様々な方法が存在する。 しかし、基準生体外同定法により結果を得るには数週間を要するが、生体内視覚認識には高度に訓練された専門医が必要である。 このため、深層学習モデルが開発され、尿管スコピー中の腎臓結石の分類が自動化された。 それでも、これらのモデルの一般的な問題は、トレーニングデータの欠如である。 この貢献は,ごく限られたサンプル数であっても,内視鏡画像中の腎臓結石のタイプを特定するのに十分な識別的特徴を生み出すことを目的とした,数ショット学習に基づく深層学習手法を提案する。 このアプローチは、内視鏡画像が不足するシナリオや、まれなクラスが存在するシナリオに特化して設計されており、限られたトレーニングデータセットでも分類が可能である。 その結果、トレーニングデータの最大25%を使用するプロトタイプネットワークは、完全なデータセットでトレーニングされた従来のディープラーニングモデルと同等以上のパフォーマンスを達成できることが示された。

関連論文リスト

• SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
  深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。 注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。 本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
  論文  参考訳（メタデータ） (2023-03-15T01:30:48Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step Transfer Learning [0.8431877864777444]
  提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。 その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-10-24T23:22:22Z)
• Interpretable Deep Learning Classifier by Detection of Prototypical Parts on Kidney Stones Images [0.9236074230806579]
  現在、関連する前生検(形態構成分析(MCA)として知られる)は、時間がかかり、高価であり、多くの経験を必要とする。 生体内内視鏡による石の認識のための機械学習手法が開発されている。 提案手法は腎臓結石像の分類を提案し, MCA法と類似した説明を提供する。
  論文  参考訳（メタデータ） (2022-06-01T06:32:31Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• 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)
• On the in vivo recognition of kidney stones using machine learning [1.6273083168563973]
  本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。 また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
  論文  参考訳（メタデータ） (2022-01-21T19:18:42Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。