論文の概要: Convolutional Neural Networks based Focal Loss for Class Imbalance
Problem: A Case Study of Canine Red Blood Cells Morphology Classification
- arxiv url: http://arxiv.org/abs/2001.03329v1
- Date: Fri, 10 Jan 2020 07:31:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 23:30:37.690621
- Title: Convolutional Neural Networks based Focal Loss for Class Imbalance
Problem: A Case Study of Canine Red Blood Cells Morphology Classification
- Title（参考訳）: 畳み込みニューラルネットワークを用いたクラス不均衡問題のための焦点損失:イヌ赤血球形態分類の事例研究
- Authors: Kitsuchart Pasupa, Supawit Vatathanavaro, Suchat Tungjitnob
- Abstract要約: 誤分類された赤血球の形態は、偽の疾患の診断と不適切な治療につながる。
過去10年間、ヒト赤血球の形態を分類するための多くのアプローチが提案されてきた。
クラス不均衡問題は、多数派クラスに対するバイアス付きモデルにつながる可能性がある。
- 参考スコア（独自算出の注目度）: 8.121462458089143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Morphologies of red blood cells are normally interpreted by a pathologist. It
is time-consuming and laborious. Furthermore, a misclassified red blood cell
morphology will lead to false disease diagnosis and improper treatment. Thus, a
decent pathologist must truly be an expert in classifying red blood cell
morphology. In the past decade, many approaches have been proposed for
classifying human red blood cell morphology. However, those approaches have not
addressed the class imbalance problem in classification. A class imbalance
problem---a problem where the numbers of samples in classes are very
different---is one of the problems that can lead to a biased model towards the
majority class. Due to the rarity of every type of abnormal blood cell
morphology, the data from the collection process are usually imbalanced. In
this study, we aimed to solve this problem specifically for classification of
dog red blood cell morphology by using a Convolutional Neural Network (CNN)---a
well-known deep learning technique---in conjunction with a focal loss function,
adept at handling class imbalance problem. The proposed technique was conducted
on a well-designed framework: two different CNNs were used to verify the
effectiveness of the focal loss function and the optimal hyper-parameters were
determined by 5-fold cross-validation. The experimental results show that both
CNNs models augmented with the focal loss function achieved higher
$F_{1}$-scores, compared to the models augmented with a conventional
cross-entropy loss function that does not address class imbalance problem. In
other words, the focal loss function truly enabled the CNNs models to be less
biased towards the majority class than the cross-entropy did in the
classification task of imbalanced dog red blood cell data.
- Abstract（参考訳）: 赤血球の形態は通常病理学者によって解釈される。
時間と労力がかかる。
さらに、過度に分類された赤血球の形態が偽疾患の診断と不適切な治療につながる。
したがって、まともな病理学者は本当に赤血球形態の分類の専門家でなければならない。
過去10年間、ヒト赤血球の形態を分類するための多くのアプローチが提案されてきた。
しかし、これらのアプローチは分類におけるクラス不均衡の問題に対処していない。
クラス不均衡問題(クラス内のサンプル数が全く異なる問題)は、多数派クラスに偏ったモデルをもたらす可能性のある問題の1つである。
あらゆるタイプの異常な血液細胞形態の希少性のため、収集過程からのデータは通常不均衡である。
本研究では,犬赤血球形態の分類に特化して,局所的損失関数と協調して学習手法である畳み込みニューラルネットワーク(CNN)を応用し,クラス不均衡問題に対処する方法について検討した。
提案手法は,2つの異なるCNNを用いて焦点損失関数の有効性を検証し,最適ハイパーパラメータを5倍のクロスバリデーションにより決定する。
実験の結果, 焦点損失関数を付加したcnnモデルでは, クラス不均衡問題に対処しない従来のクロスエントロピー損失関数を付加したモデルと比較して, 両モデルともf_{1}$-scoreが高かった。
言い換えると、焦点損失関数により、cnnsモデルは、不均衡な犬赤血球データの分類タスクで行ったクロスエントロピーよりも、多数派クラスへの偏りが軽減された。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Imbalanced Domain Generalization for Robust Single Cell Classification
in Hematological Cytomorphology [3.7007225479462402]
我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。
提案手法は,既存手法と比較してF1マクロスコアが最適である。
論文 参考訳（メタデータ） (2023-03-14T10:20:31Z) - AnoMalNet: Outlier Detection based Malaria Cell Image Classification
Method Leveraging Deep Autoencoder [0.0]
クラス不均衡の最も極端な場合にも対応できる,オフレイヤ検出に基づくバイナリ医用画像分類手法を提案する。
AnoMalNetという名前のオートエンコーダモデルは、最初は感染していない細胞イメージのみで訓練されている。
精度、精度、リコール、F1スコアはそれぞれ98.49%、97.07%、100%、98.52%に達した。
論文 参考訳（メタデータ） (2023-03-10T08:49:31Z) - Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language
Understanding [82.46024259137823]
幅広いタスクに対するクロスモデル比較損失を提案する。
3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
論文 参考訳（メタデータ） (2023-01-10T03:04:27Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - RA-GCN: Graph Convolutional Network for Disease Prediction Problems with
Imbalanced Data [47.00510780034136]
クラス不均衡は疾患予測の分野でよく知られた問題である。
本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。
本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
論文 参考訳（メタデータ） (2021-02-27T14:06:27Z) - Red Blood Cell Segmentation with Overlapping Cell Separation and
Classification on Imbalanced Dataset [1.7219362335740878]
重なり合う細胞は、分類する前に複数の単一のRBCに分離しなければならない誤った予測結果を引き起こすことがある。
深層学習で複数のクラスを分類するためには、正常なサンプルが稀な疾患のサンプルよりも常に高いため、医療画像では不均衡の問題が一般的である。
本稿では,血液スミア画像から赤血球を分離・分類する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-12-02T16:49:51Z) - Analysing Risk of Coronary Heart Disease through Discriminative Neural
Networks [18.124078832445967]
診断のような重要なアプリケーションでは、このクラス不均衡は見過ごせない。
我々は、識別モデルと対照的な損失を用いて、ニューラルネットワークを介して、このクラス不均衡をどう扱えるかを説明する。
論文 参考訳（メタデータ） (2020-06-17T06:30:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。