論文の概要: Melanoma Detection using Adversarial Training and Deep Transfer Learning
- arxiv url: http://arxiv.org/abs/2004.06824v2
- Date: Tue, 28 Jul 2020 16:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 10:07:00.748690
- Title: Melanoma Detection using Adversarial Training and Deep Transfer Learning
- Title（参考訳）: 逆行訓練とDeep Transfer Learningを用いたメラノーマ検出
- Authors: Hasib Zunair and A. Ben Hamza
- Abstract要約: 皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
- 参考スコア（独自算出の注目度）: 6.22964000148682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skin lesion datasets consist predominantly of normal samples with only a
small percentage of abnormal ones, giving rise to the class imbalance problem.
Also, skin lesion images are largely similar in overall appearance owing to the
low inter-class variability. In this paper, we propose a two-stage framework
for automatic classification of skin lesion images using adversarial training
and transfer learning toward melanoma detection. In the first stage, we
leverage the inter-class variation of the data distribution for the task of
conditional image synthesis by learning the inter-class mapping and
synthesizing under-represented class samples from the over-represented ones
using unpaired image-to-image translation. In the second stage, we train a deep
convolutional neural network for skin lesion classification using the original
training set combined with the newly synthesized under-represented class
samples. The training of this classifier is carried out by minimizing the focal
loss function, which assists the model in learning from hard examples, while
down-weighting the easy ones. Experiments conducted on a dermatology image
benchmark demonstrate the superiority of our proposed approach over several
standard baseline methods, achieving significant performance improvements.
Interestingly, we show through feature visualization and analysis that our
method leads to context based lesion assessment that can reach an expert
dermatologist level.
- Abstract（参考訳）: 皮膚病変データセットは、ほとんどが正常なサンプルであり、異常なサンプルの割合は少ないため、クラス不均衡の問題を引き起こす。
また, 皮膚病変像はクラス間変動が低いため, 全体像にほぼ類似している。
本稿では,メラノーマ検出に向けて,逆行訓練とトランスファー学習を用いた皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成作業におけるデータ分布のクラス間変化を利用して、クラス間マッピングを学習し、未ペア画像から画像への変換を用いて、過剰表現されたクラスサンプルを合成する。
第2段階では, 皮膚病変分類のための深層畳み込みニューラルネットワークを, 新たに合成したクラスサンプルと組み合わされたトレーニングセットを用いて訓練する。
この分類器の訓練は、難しい例から学習する際にモデルを支援する焦点損失関数を最小化し、簡単なものを軽量化することで行われる。
dermatology image benchmarkで行った実験は、提案手法がいくつかの標準ベースライン法よりも優れていることを示し、大幅な性能改善を達成している。
興味深いことに, 本手法が皮膚科医のレベルに到達できるコンテキストベース病変評価に繋がる, 特徴の可視化と分析を通して示す。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion
Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。
2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文 参考訳（メタデータ） (2022-02-11T15:19:36Z) - Constrained Deep One-Class Feature Learning For Classifying Imbalanced
Medical Images [4.211466076086617]
データの不均衡問題に対処するために、一級分類が注目を集めている。
本稿では,コンパクトな特徴を学習するための新しい深層学習手法を提案する。
提案手法は,各クラスに関連するより関連性の高い特徴を学習し,多数派と少数派のサンプルを識別しやすくする。
論文 参考訳（メタデータ） (2021-11-20T15:25:24Z) - Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings [12.398787062519034]
本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
論文 参考訳（メタデータ） (2021-07-02T13:18:45Z) - Dermoscopic Image Classification with Neural Style Transfer [5.314466196448187]
皮膚病変分類問題に対する新しい画像前処理ステップとして,NST(Neural Style Transfer)の適応を提案する。
各皮膚内視鏡像をスタイル画像として表現し、病変のスタイルを均質なコンテンツ画像に転送します。
これにより、各病変の主な変動を同じ局在領域に転送し、生成された画像を一緒に統合し、潜伏した低ランクスタイルの特徴を抽出します。
論文 参考訳（メタデータ） (2021-05-17T03:50:51Z) - Analysis of skin lesion images with deep learning [0.0]
内視鏡画像の分類における美術の現状を評価します。
ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。
皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
論文 参考訳（メタデータ） (2021-01-11T10:58:36Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。