抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層ニューラルネットワークは多様な自然画像と医用画像計算タスクにおいて顕著な成功を達成した。しかし,これらの成果は,正確に注釈された訓練データに不必要に依存する。いくつかの雑音ラベル付き画像に遭遇すると,ネットワーク訓練手続きは困難に悩まされ,準最適分類器を導く。この問題は,医用画像のアノテーション品質が,注釈者の専門知識と経験に大きく依存するので,医用画像分析分野でさらに深刻である。本論文では,雑音ラベル付きデータからのロバスト医用画像分類のためのグローバルおよび局所表現学習による新しい協調訓練パラダイムを提案し,高品質注釈付き医療データの欠如と戦う。特に,雑音のあるラベルフィルタを持つ自己アンサンブルモデルを採用して,クリーンでノイズのあるサンプルを効率的に選択した。次に,クリーンサンプルを,不完全なラベル付きサンプルからの外乱を除去するために,協調訓練戦略によって訓練した。特に,著者らは,自己監督された方法で雑音のあるサンプルを利用するために,ネットワークを暗黙的に正規化するために,さらに新しいグローバルおよび局所表現学習方式を設計した。3種類のラベルノイズ,すなわち,ランダムノイズ,コンピュータ生成ラベルノイズ,および観察者間変動ノイズを有する4つの公共医療画像分類データセットに関する提案ロバスト学習戦略を評価した。著者らの方法は,雑音のあるラベル法からの他の学習を凌駕し,また,著者らの方法の各成分を分析するために,広範な実験を行った。【JST・京大機械翻訳】