論文の概要: Transfer-Learning-Aware Neuro-Evolution for Diseases Detection in Chest
X-Ray Images
- arxiv url: http://arxiv.org/abs/2004.07136v1
- Date: Wed, 15 Apr 2020 15:06:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 03:04:40.786302
- Title: Transfer-Learning-Aware Neuro-Evolution for Diseases Detection in Chest
X-Ray Images
- Title(参考訳): 胸部X線画像における疾患検出のための伝達学習型神経進化
- Authors: Albert Susanto, Herman, Tjeng Wawan Cenggoro, Suharjito, Bens
Pardamean
- Abstract要約: 遺伝的アルゴリズムを用いた神経進化は、伝達学習に最適なアーキテクチャを見つけるために用いられる。
本研究は、AUCスコアに5%の差があり、実行時間では3%高速であり、ほとんどの疾患検出において意義がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The neural network needs excessive costs of time because of the complexity of
architecture when trained on images. Transfer learning and fine-tuning can help
improve time and cost efficiency when training a neural network. Yet, Transfer
learning and fine-tuning needs a lot of experiment to try with. Therefore, a
method to find the best architecture for transfer learning and fine-tuning is
needed. To overcome this problem, neuro-evolution using a genetic algorithm can
be used to find the best architecture for transfer learning. To check the
performance of this study, dataset ChestX-Ray 14 and DenseNet-121 as a base
neural network model are used. This study used the AUC score, differences in
execution time for training, and McNemar's test to the significance test. In
terms of result, this study got a 5% difference in the AUC score, 3 % faster in
terms of execution time, and significance in most of the disease detection.
Finally, this study gives a concrete summary of how neuro-evolution transfer
learning can help in terms of transfer learning and fine-tuning.
- Abstract(参考訳): ニューラルネットワークは、画像でトレーニングする際のアーキテクチャの複雑さのために、過度な時間のコストを必要とする。
転送学習と微調整は、ニューラルネットワークをトレーニングする際の時間とコスト効率を改善するのに役立つ。
しかし、転送学習と微調整には、試すべき多くの実験が必要です。
そのため、転送学習や微調整に最適なアーキテクチャを見つける方法が必要となる。
この問題を克服するために、遺伝的アルゴリズムを用いた神経進化は、転送学習に最適なアーキテクチャを見つけるために使用できる。
本研究のパフォーマンスを確認するために,ベースニューラルネットワークモデルとしてChestX-Ray 14とDenseNet-121をデータセット化した。
本研究は、AUCスコア、トレーニングの実行時間の違い、および重要度テストに対するMcNemarのテストを用いた。
その結果,AUCスコアでは5%,実行時間では3%,疾患検出では多く,有意な差が認められた。
最後に,神経進化変換学習が伝達学習や微調整の分野でどのように役立つか,その具体的な概要を述べる。
関連論文リスト
- A comprehensive study on Blood Cancer detection and classification using Convolutional Neural Network [6.648024246537002]
本研究は、新しいアンサンブルモデルDIXを開発し、血液がんを検出し分類する。
統計学的結果から、DIXはオリジナルとトランスファーの学習性能より優れており、99.12%の精度が得られたことが示唆されている。
CNNを用いた血液がんの検出と分類の精度は、CNNモデルが血液がんの検出に有望であることを示唆している。
論文 参考訳(メタデータ) (2024-09-10T17:53:47Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - Classification of Alzheimer's Disease Using the Convolutional Neural
Network (CNN) with Transfer Learning and Weighted Loss [2.191505742658975]
本研究では,Residual Network 18 Layer(ResNet-18)アーキテクチャを用いた畳み込みニューラルネットワーク(CNN)手法を提案する。
モデルの精度は、転送学習、重み付き損失、およびミッシュアクティベーション関数を用いて88.3%である。
論文 参考訳(メタデータ) (2022-07-04T17:09:27Z) - A Neural Network Based Method with Transfer Learning for Genetic Data
Analysis [3.8599966694228667]
我々はトランスファーラーニング手法とニューラルネットワークに基づく手法(外乱ニューラルネットワーク)を組み合わせる。
これまでの学習を活用して、ゼロから始めることを避けて、モデルのパフォーマンスを改善します。
トランスファーラーニングアルゴリズムを用いることで、トランスファーラーニング技術を用いることなく、期待できるニューラルネットワークと比較して、期待できるニューラルネットワークの性能が向上する。
論文 参考訳(メタデータ) (2022-06-20T16:16:05Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2021-09-20T15:12:16Z) - 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) - Transfer Learning Enhanced Generative Adversarial Networks for
Multi-Channel MRI Reconstruction [3.5765797841178597]
深層学習に基づく生成敵ネットワーク(GAN)は、アンダーサンプルMRデータを用いて画像再構成を効果的に行うことができる。
k空間データの保存は臨床フローにはないため、モデルトレーニングのために何万もの生患者データを取得することは困難である。
本研究では,GANモデル(PI-GAN)と移動学習を組み合わせた並列イメージングに基づく3つの新しい応用について検討した。
論文 参考訳(メタデータ) (2021-05-17T21:28:00Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - A Deep Convolutional Neural Network for COVID-19 Detection Using Chest
X-Rays [2.2843885788439797]
我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。
テストデータセットで100%のテスト精度に到達することができました。
論文 参考訳(メタデータ) (2020-04-30T13:20:42Z)
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。