制限三重項を用いた胸部X線病理検出を改善するための少数ショット移動学習【JST・京大機械翻訳】

Bhimireddy Ananth Reddy; Burns John Lee; Purkayastha Saptarshi; Gichoya Judy Wawira

プレプリント

J-GLOBAL ID：202202206323183068 整理番号：22P0333112

制限三重項を用いた胸部X線病理検出を改善するための少数ショット移動学習【JST・京大機械翻訳】

Few-Shot Transfer Learning to improve Chest X-Ray pathology detection using limited triplets

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年04月16日プレプリントサーバーでの情報更新日： 2022年04月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

医用イメージングに適用される深層学習アプローチは,多くの診断タスクにおいて,人間に近いか,または,より良い人間性能に達している。例えば,胸部X線における病理学の検出に関するCheXpert競争は,優れたマルチクラス分類性能を示した。しかし,深層学習モデル訓練と検証は,人間-インザループによって同定されたように,画像の広範囲な収集を必要とし,偽推論をまだ生産する。本論文では,少数ショット学習(FSL)による事前訓練モデルの予測を改善するために,実用的手法を導入した。モデルの訓練と検証の後,少数の偽推論画像を収集して,偽正または偽陰性,真正,および真陰性のbff{Image Triplets}を用いてモデルを再訓練した。再訓練されたFSLモデルは,ほんの少しの時代と少数の画像で,性能にかなりの利得をもたらす。さらに,FSLは,人間・イン・ループシステムに対する迅速な再訓練機会を開き,そこでは,放射線科医が誤った推論を再ラベル付けすることができ,そして,モデルは,迅速に再訓練できる。1回でモデルを訓練し評価する医用イメージングにおける既存のFSLアプローチと再訓練モデル性能を比較した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , 図形・画像処理一般 , パターン認識

, , , , ,

前のページに戻る