論文の概要: A filtering scheme for confocal laser endomicroscopy (CLE)-video sequences for self-supervised learning

• arxiv url: http://arxiv.org/abs/2511.00098v1
• Date: Thu, 30 Oct 2025 15:07:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.586207
• Title: A filtering scheme for confocal laser endomicroscopy (CLE)-video sequences for self-supervised learning
• Title（参考訳）: 自己教師型学習のための共焦点レーザー内視鏡(CLE)映像シーケンスのフィルタリング方式
• Authors: Nils Porsche, Flurin Müller-Diesing, Sweta Banerjee, Miguel Goncalves, Marc Aubreville,
• Abstract要約: 共焦点レーザー内視鏡(英: Confocal laser endomicroscopy, CLE)は、非侵襲的でリアルタイムな画像モダリティであり、in-situ、in-vivoイメージング、および粘液構造の微細構造解析に使用できる。 これを解決するために、より大きなラベル付けされていないデータセットに自己教師付き学習(SSL)を使用できる。 SSLトレーニングにおけるデータセット冗長性を低減するために,CLEビデオシーケンス上のフィルタ機能を提案する。
• 参考スコア（独自算出の注目度）: 0.8938950894780588
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Confocal laser endomicroscopy (CLE) is a non-invasive, real-time imaging modality that can be used for in-situ, in-vivo imaging and the microstructural analysis of mucous structures. The diagnosis using CLE is, however, complicated by images being hard to interpret for non-experienced physicians. Utilizing machine learning as an augmentative tool would hence be beneficial, but is complicated by the shortage of histopathology-correlated CLE imaging sequences with respect to the plurality of patterns in this domain, leading to overfitting of machine learning models. To overcome this, self-supervised learning (SSL) can be employed on larger unlabeled datasets. CLE is a video-based modality with high inter-frame correlation, leading to a non-stratified data distribution for SSL training. In this work, we propose a filter functionality on CLE video sequences to reduce the dataset redundancy in SSL training and improve SSL training convergence and training efficiency. We use four state-of-the-art baseline networks and a SSL teacher-student network with a vision transformer small backbone for the evaluation. These networks were evaluated on downstream tasks for a sinonasal tumor dataset and a squamous cell carcinoma of the skin dataset. On both datasets, we found the highest test accuracy on the filtered SSL-pretrained model, with 67.48% and 73.52%, both considerably outperforming their non-SSL baselines. Our results show that SSL is an effective method for CLE pretraining. Further, we show that our proposed CLE video filter can be utilized to improve training efficiency in self-supervised scenarios, resulting in a reduction of 67% in training time.
• Abstract（参考訳）: 共焦点レーザー内視鏡(英: Confocal laser endomicroscopy, CLE)は、非侵襲的でリアルタイムな画像モダリティであり、in-situ、in-vivoイメージング、および粘液構造の微細構造解析に使用できる。 しかし、CLEを用いた診断は、経験のない医師の理解が難しい画像によって複雑である。 したがって、機械学習を拡張ツールとして利用することは有益であるが、この領域の複数のパターンに関して、病理学的に相関したCLE画像シーケンスが不足しているため、機械学習モデルの過度な適合に繋がる。 これを解決するために、より大きなラベル付けされていないデータセットに自己教師付き学習(SSL)を使用できる。 CLEはビデオベースのモダリティであり、フレーム間の相関が高く、SSLトレーニングのための非階層データ配布につながる。 本研究では、SSLトレーニングにおけるデータセット冗長性を低減し、SSLトレーニング収束とトレーニング効率を向上させるために、CLEビデオシーケンス上のフィルタ機能を提案する。 我々は、4つの最先端のベースラインネットワークと、視覚変換器を内蔵したSSL教師学生ネットワークを用いて評価を行った。 これらのネットワークは、鼻腔腫瘍データセットと皮膚データセットの扁平上皮癌のための下流タスクで評価された。 両方のデータセットで、フィルタリングされたSSL事前トレーニングモデル上で最も高いテスト精度が67.48%と73.52%であり、どちらもSSL以外のベースラインを大きく上回っていることがわかった。 以上の結果から,SSLはCLE事前トレーニングに有効な方法であることがわかった。 さらに,提案したCLEビデオフィルタを用いて,自己教師型シナリオにおけるトレーニング効率の向上を実現し,トレーニング時間の67%削減を実現した。

関連論文リスト

• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
  我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。 データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。 注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
  論文  参考訳（メタデータ） (2024-06-23T05:01:51Z)
• Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
  急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。 マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。 本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
  論文  参考訳（メタデータ） (2024-03-08T15:16:15Z)
• Self-supervised learning for skin cancer diagnosis with limited training data [0.196629787330046]
  自己教師付き学習(SSL)は、限られたトレーニングデータを持つシナリオに対するImageNetの標準教師付き事前トレーニングの代替である。 textitfurther SSL をタスク固有のデータセットで事前トレーニングし、その実装は教師あり転送学習によって動機づけられる。 タスク固有のデータに対するより最小限のSSL事前トレーニングは、限られたラベル付きデータによる医療画像分類タスクにおいて、ImageNet上の大規模なSSL事前トレーニングと同じくらい効果的である。
  論文  参考訳（メタデータ） (2024-01-01T08:11:38Z)
• Self-Supervised Learning for Endoscopic Video Analysis [16.873220533299573]
  自己教師付き学習(SSL)は、大量のラベルのないデータから学習できるようにすることによって、コンピュータビジョンにおいて重要なブレークスルーをもたらした。 大腸内視鏡検査や腹腔鏡検査などの内視鏡的画像解析における主要なSSLフレームワークであるMasked Siamese Networks (MSNs) の使用について検討した。
  論文  参考訳（メタデータ） (2023-08-23T19:27:59Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• 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)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。