文献

J-GLOBAL ID：202102230509180749   整理番号：21A0442343

医用画像分類のための誘導自己注意による深層マルチインスタンス学習【JST・京大機械翻訳】

Deep Multi-Instance Learning with Induced Self-Attention for Medical Image Classification

著者 (5件)： Li Zhenliang (Tianjin University of Technology,School of Computer Science and Engineering,Tianjin,China,300384) ,  Yuan Liming (Tianjin University of Technology,School of Computer Science and Engineering,Tianjin,China,300384) ,  Xu Haixia (Tianjin University of Technology,School of Computer Science and Engineering,Tianjin,China,300384) ,  Cheng Rui (Tianjin University of Technology,School of Computer Science and Engineering,Tianjin,China,300384) ,  Wen Xianbin (Tianjin University of Technology,School of Computer Science and Engineering,Tianjin,China,300384)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： BIBM  ページ： 446-450  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 医用画像分類のための既存のマルチインスタンス学習(MIL)法は,典型的に画像(バッグ)を小さなパッチ(インスタンス)に分割し,未知のバッグのラベルを予測するために分類器を学習する。そのような方法の大部分は,バッグ内のインスタンスが独立かつ同一に分布していると仮定する。しかし,同じ袋における事例はしばしば互いに相互作用する。本論文では,バッグ内の大域的構造情報を学習するための自己注意機構を用いる,誘導自己拡張ベース深層MIL法を提案した。自給のナイーブな実装の計算量を軽減するために,自己注意ブロックに誘導点ベース方式を導入した。提案手法は,3つの医用画像データセットの性能と解釈可能性に関して,他の深いMIL法よりも優れていることを経験的に示した。また,合成MILデータセットを用いて,著者らの方法の有効性の集中的解析を提供した。実験結果は,誘導自己注意機構が,バッグ内のターゲットと非ターゲットインスタンスに対して,非常に弁別的で異なる特徴を学習でき,従って,より一般化されたMIL問題に適合することを明らかにした。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  計算量 ,  *医用画像 ,  深層 ,  有効性
準シソーラス用語： *マルチインスタンス学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 医用画像 ,  分類 ,  誘導 ,  自己 ,  注意 ,  深層 ,  マルチインスタンス学習