MARC

 008250123s2024        us                              c    eng  d
■001000017161571
■00520250211151414
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382761831
■035    ▼a(MiAaPQ)AAI31293247
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aWu,  Yunan.▼0(orcid)0000-0001-6980-9746
■24510▼aWeak  Supervision  in  Deep  Learning  for  Medical  Imaging  and  Astrophysics
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a227  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Katsaggelos,  Aggelos  K.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aTraditional  supervised  learning  pipelines  heavily  rely  on  high-quality,  extensively  annotated  datasets.  These  datasets,  however,  are  often  costly  to  produce  and  prone  to  errors,  leading  to  inaccurate  or  insufficient  labels.  As  a  remedy,  weakly  supervised  learning  (WSL)  emerges  as  a  robust  alternative  by  leveraging  weaker  forms  of  supervision-such  as  incomplete,  inexact,  and  inaccurate  supervision-to  effectively  train  deep  learning  models.  Chapter  1  provides  a  foundational  overview  of  WSL,  highlighting  its  necessity  and  exploring  its  various  methods,  including  multiple  instance  learning,  transfer  learning,  crowdsourcing,  and  multi-modal  fusion.This  thesis  explores  the  domain  of  WSL  with  a  particular  focus  on  medical  imaging  and  astrophysics.  The  first  part  addresses  WSL  in  medical  imaging,  a  critical  domain  for  disease  diagnosis,  treatment  planning,  and  monitoring.  The  major  challenge  in  medical  imaging  arises  from  the  difficulty  in  obtaining  large,  accurately  labeled  datasets,  which  are  time-consuming  and  expensive  to  produce  and  require  expert  annotation.  The  variability  inherent  in  medical  subjects  further  complicates  the  annotation  process.  Therefore,  the  first  goal  of  this  work  is  to  develop  and  apply  WSL  methods  across  various  medical  imaging  applications,  including  classification,  detection,  and  segmentation.  Chapter  2  introduces  an  attention-based  multiple  instance  learning  (Att-MIL)  approach  by  combining  an  attention-based  convolutional  neural  network  (Att-CNN)  with  a  variational  Gaussian  process  (VGPMIL).  This  method  efficiently  uses  hemorrhage  labels  at  scan-level  to  enhance  predictive  accuracy  at  both  slice  and  scan  levels,  significantly  outperforming  other  methods  trained  similarly  and  achieving  comparable  results  to  those  requiring  more  detailed  slice-level  annotations.  Chapter  3  builds  on  this  by  implementing  a  Smooth  Attention  Deep  MIL  (SA-DMIL)  model  that  incorporates  first  and  second  order  constraints  on  the  attention  mechanism  to  capture  spatial  dependencies  between  slices  within  a  scan.  Chapter  4  proposes  a  novel  integration  of  CNN  and  Long  Short-Term  Memory  (LSTM)  networks  for  image-level  CT  hemorrhage  localization.  This  method  achieves  performance  comparable  to  senior  neuroradiologists  and  provides  clinically  useful  attention  weights  and  heatmaps  to  facilitate  rapid  diagnostic  decisions.  Chapter  5  progresses  to  pixel-level  segmentation  of  CT  hemorrhage  using  conditioned  diffusion  models,  which  trained  on  image-level  labels  to  generate  anomaly  maps  and  reconstruct  images,  thus  minimizing  the  reliance  on  extensive  pixel-level  annotations.  Chapter  6  explores  the  use  of  multi-modal  data  to  assess  the  health  status  and  predict  outcomes  of  critically  ill  COVID-19  patients.  It  demonstrates  that  a  fusion  of  chest  X-rays,  respiratory  sounds,  and  ICU  clinical  variables  significantly  enhances  the  prediction  accuracy  for  indirect  outcomes.  Finally,  Chapter  7  introduces  DeepCOVID-Fuse,  a  deep  learning  fusion  model  that  combines  chest  x-rays  and  clinical  variables  to  predict  risk  levels  in  COVID-19  patients,  effectively  managing  outcomes  even  with  missing  modalities  during  testing.The  second  part  of  the  thesis  focuses  on  WSL  in  astrophysics,  particularly  analyzing  large-scale  astronomical  datasets.  In  this  field,  expert  analysis  is  crucial  for  understanding  the  phenomena  of  space.  However,  acquiring  labeled  datasets  is  particularly  challenging  due  to  the  complex  and  dynamic  nature  of  space,  which  means  that  labels  must  be  continuously  updated  as  new  discoveries  are  made  and  understandings  evolve.  To  address  this,  crowdsourcing  becomes  an  essential  tool,  leveraging  the  efforts  of  volunteers  to  annotate  data  and  machine  learning  to  guide  these  efforts.  Therefore,  the  second  goal  of  this  work  is  to  apply  WSL  methods  with  crowdsourcing.  Chapter  8  introduces  the  crowdsourcing  project  Gravity  Spy,  detailing  its  workflow  and  its  development  from  version  1.0  to  2.0.  Gravity  Spy  1.0  primarily  focuses  on  classifying  glitches  in  the  main  channel,  while  Gravity  Spy  2.0  extends  to  include  glitches  in  the  auxiliary  channels,  exploring  the  underlying  correlations  between  glitches  across  these  channels.  Chapter  9  presents  a  multi-view  fusion  network  with  attention  mechanisms  in  Gravity  Spy  1.0  for  classifying  glitches  during  the  new  O4  observing  run.  Finally,  Chapter  10  describes  the  Cross-Temporal  Spectrogram  Autoencoder  (CTSAE),  an  innovative  unsupervised  model  that  identifies  correlations  between  main  and  auxiliary  channel  glitches  through  a  novel  integration  of  CNN  and  Vision  Transformers.
■590    ▼aSchool  code:  0163.
■650  4▼aElectrical  engineering
■650  4▼aComputer  science
■650  4▼aMedical  imaging
■653    ▼aDeep  learning
■653    ▼aGravity  Spy
■653    ▼aCT  hemorrhage
■653    ▼aWeakly  supervised  learning
■690    ▼a0544
■690    ▼a0984
■690    ▼a0574
■690    ▼a0800
■71020▼aNorthwestern  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161571▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서