文献

J-GLOBAL ID：202202273033582123   整理番号：22A0897334

医用画像セグメンテーションのための少数ショット設定における陰的勾配によるMeta学習【JST・京大機械翻訳】

Meta-learning with implicit gradients in a few-shot setting for medical image segmentation

著者 (14件)： Khadka Rabindra (SimulaMet, Oslo, Norway) ,  Khadka Rabindra (Oslo Metropolitan University, Oslo, Norway) ,  Jha Debesh (SimulaMet, Oslo, Norway) ,  Jha Debesh (UiT the Arctic University of Norway, Tromso, Norway) ,  Hicks Steven (SimulaMet, Oslo, Norway) ,  Hicks Steven (Oslo Metropolitan University, Oslo, Norway) ,  Thambawita Vajira (SimulaMet, Oslo, Norway) ,  Thambawita Vajira (Oslo Metropolitan University, Oslo, Norway) ,  Riegler Michael A. (SimulaMet, Oslo, Norway) ,  Riegler Michael A. (UiT the Arctic University of Norway, Tromso, Norway) ,  Ali Sharib (Department of Engineering Science, Institute of Biomedical Engineering, University of Oxford, Oxford, UK) ,  Ali Sharib (NIHR Oxford Biomedical Research Centre, University of Oxford, Oxford, UK) ,  Halvorsen Pal (SimulaMet, Oslo, Norway) ,  Halvorsen Pal (Oslo Metropolitan University, Oslo, Norway)
資料名： Computers in Biology and Medicine  (Computers in Biology and Medicine)
巻： 143  ページ： Null  発行年： 2022年 
JST資料番号： E0858A  ISSN： 0010-4825  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 広く使用された伝統的教師付き深層学習法は,多数の訓練サンプルを必要とするが,しばしば,非意味データセット上で一般化できない。したがって,訓練されたモデルのより一般的な応用は,臨床診療のための医用イメージングのために非常に制限される。各ユニークな病変カテゴリーまたはユニークな患者集団に対する別々に訓練されたモデルの使用は,実際の臨床セットアップでの使用には実用的ではない十分に大きな湾曲データセットを必要とする。少数ショット学習手法は,労働集約的で高価である膨大な数の信頼できるグランドトルースラベルの必要性を最小化するだけでなく,新しい母集団から来るデータセットのモデルにも使用できる。この目的のために,医用画像セグメンテーションのための数ショット設定の下で,最適化ベースの暗黙モデル診断的メタ学習(iMAML)アルゴリズムを利用することを提案する。提案アプローチは,高精度で非意味データセットに関する解析を行うために,多様だが小さな訓練サンプルから学習された重みを活用できる。古典的少数ショット学習手法とは異なり,この方法は一般化能力を改善することを示した。著者らの知る限り,これは医用画像セグメンテーションのためにiMAMLを利用する最初の研究であり,病変データセットのユニークで混合された事例に関するメタ訓練のようなシナリオ上のモデルの強度を調査する。公的に利用可能な皮膚とポリープデータセットに関する著者らの定量的結果は,提案方法が単純な教師つきベースラインモデルと大きなマージンによる2つの最近の少数ショットセグメンテーションアプローチより優れていることを示した。さらに,著者らのiMAMLアプローチは,ほとんどの実験に対して,対応するMAMLと比較して,ジセスコアにおいて2%~4%の改善を示す。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *学習 ,  カテゴリー ,  *セグメンテーション ,  精度 ,  *画像処理 ,  粒状材 ,  母集団 ,  ポリープ ,  結腸鏡検査 ,  機械学習
準シソーラス用語： メタ学習 ,  高精度 ,  医用画像処理 ,  *医用画像セグメンテーション ,  グランドトゥルース ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (7件)： Meta学習 ,  少数ショット学習 ,  大腸内視鏡検査 ,  ポリpセグメンテーション ,  無線カプセル内視鏡検査 ,  皮膚病変セグメンテーション ,  汎化

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 医用画像セグメンテーション ,  ショット ,  勾配 ,  学習