論文の概要: The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised
Framework for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2003.06451v2
- Date: Fri, 26 Jun 2020 18:19:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 01:59:10.539256
- Title: The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised
Framework for Medical Image Classification
- Title（参考訳）: GraphNet Zoo: 医用画像分類のためのオールインワングラフベースのDeep Semi-Supervised Framework
- Authors: Marianne de Vriendt, Philip Sellars, Angelica I Aviles-Rivero
- Abstract要約: ラベルが限られている場合、医療画像データセットを分類する問題を考える。
半教師付き学習を用いることで、ラベル付きデータの量を大幅に削減して正確な分類を行うことができる。
本稿では,グラフに基づくアプローチに着目した,深い半教師付き分類のためのオールインワンフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of classifying a medical image dataset when we have a
limited amounts of labels. This is very common yet challenging setting as
labelled data is expensive, time consuming to collect and may require expert
knowledge. The current classification go-to of deep supervised learning is
unable to cope with such a problem setup. However, using semi-supervised
learning, one can produce accurate classifications using a significantly
reduced amount of labelled data. Therefore, semi-supervised learning is
perfectly suited for medical image classification. However, there has almost
been no uptake of semi-supervised methods in the medical domain. In this work,
we propose an all-in-one framework for deep semi-supervised classification
focusing on graph based approaches, which up to our knowledge it is the first
time that an approach with minimal labels has been shown to such an
unprecedented scale with medical data. We introduce the concept of hybrid
models by defining a classifier as a combination between an energy-based model
and a deep net. Our energy functional is built on the Dirichlet energy based on
the graph p-Laplacian. Our framework includes energies based on the $\ell_1$
and $\ell_2$ norms. We then connected this energy model to a deep net to
generate a much richer feature space to construct a stronger graph. Our
framework can be set to be adapted to any complex dataset. We demonstrate,
through extensive numerical comparisons, that our approach readily compete with
fully-supervised state-of-the-art techniques for the applications of Malaria
Cells, Mammograms and Chest X-ray classification whilst using only 20% of
labels.
- Abstract（参考訳）: ラベル数が限られている場合,医療画像データセットの分類の問題を考える。
ラベル付きデータは高価であり、収集に時間がかかり、専門家の知識を必要とするため、これは非常に一般的だが困難な設定である。
深い教師付き学習の現在の分類は、そのような問題設定に対処できない。
しかし、半教師付き学習を用いることで、ラベル付きデータの量を大幅に削減して正確な分類を作成できる。
したがって、半教師付き学習は医用画像分類に最適である。
しかし,医療領域では半監督的手法がほとんど採用されていない。
本研究では,グラフに基づくアプローチに着目した深い半教師付き分類のためのオールインワンフレームワークを提案する。
エネルギーモデルとディープネットの組合せとして分類器を定義することによってハイブリッドモデルの概念を導入する。
我々のエネルギー汎関数はグラフ p-ラプラシアンに基づくディリクレエネルギーに基づいている。
我々のフレームワークは$\ell_1$と$\ell_2$ノルムに基づくエネルギーを含んでいる。
このエネルギーモデルをディープネットに接続し、よりリッチな特徴空間を生成してより強力なグラフを構築する。
私たちのフレームワークは、どんな複雑なデータセットにも適応するように設定できます。
本手法は, マラリア細胞, マンモグラム, 胸部X線分類を, ラベルの20%しか使用せず, 完全に監督された最先端技術と容易に競合することを示す。
関連論文リスト
- Open-World Semi-Supervised Learning for Node Classification [53.07866559269709]
ノード分類のためのオープンワールド半教師付き学習(Open World SSL)は、グラフコミュニティにおいて実用的だが未探索の課題である。
オープンワールド半教師付きノード分類のためのIM Balance-AwareメソッドOpenIMAを提案する。
論文 参考訳（メタデータ） (2024-03-18T05:12:54Z) - CLASS-M: Adaptive stain separation-based contrastive learning with
pseudo-labeling for histopathological image classification [2.041705849551037]
広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。
2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
論文 参考訳（メタデータ） (2023-12-12T04:38:30Z) - Transductive Linear Probing: A Novel Framework for Few-Shot Node
Classification [56.17097897754628]
自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。
この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
論文 参考訳（メタデータ） (2022-12-11T21:10:34Z) - Probabilistic Integration of Object Level Annotations in Chest X-ray
Classification [37.99281019411076]
胸部X線画像における疾患分類のための新しい確率潜在変数モデルを提案する。
グローバルデータセット機能は、モデルの下位層で学習される。
詳細な専門的なオブジェクトレベルのアノテーションの具体的な詳細とニュアンスは、最終レイヤで学習されます。
論文 参考訳（メタデータ） (2022-10-13T12:53:42Z) - Skin Lesion Recognition with Class-Hierarchy Regularized Hyperbolic
Embeddings [17.31938855117003]
画像埋め込みとクラスプロトタイプを共同で学習する双曲ネットワークを提案する。
65例の皮膚疾患に対して,約230kの皮膚内視鏡像からなる社内皮膚病変データセットを用いて,本法の有効性を検証した。
論文 参考訳（メタデータ） (2022-09-13T09:39:37Z) - Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation [50.772432242082914]
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
論文 参考訳（メタデータ） (2022-05-27T13:02:07Z) - Fuzzy Overclustering: Semi-Supervised Classification of Fuzzy Labels
with Overclustering and Inverse Cross-Entropy [1.6392706389599345]
ファジィラベルの半教師付き分類を扱うための新しいフレームワークを提案する。
これは、これらのファジィラベルのサブ構造を検出するために、オーバークラスタリング(overclustering)という考え方に基づいている。
本研究では,ファジィラベルを用いた実世界のプランクトンデータに適用した場合,従来の半教師付き手法よりも優れたフレームワークを示す。
論文 参考訳（メタデータ） (2021-10-13T10:50:50Z) - DeepMCAT: Large-Scale Deep Clustering for Medical Image Categorization [24.100651548850895]
本稿では,大規模医用画像データセットの自動クラスタリングと分類のための教師なしアプローチを提案する。
本研究では,クラスバランスと非バランスな大規模データセットを用いたエンドツーエンドトレーニングについて検討した。
論文 参考訳（メタデータ） (2021-09-30T22:39:57Z) - Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。
新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。
大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
論文 参考訳（メタデータ） (2021-06-12T22:22:10Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z)
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。