Fugu-MT 論文翻訳(概要): CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification

論文の概要: CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification

arxiv url: http://arxiv.org/abs/2004.12064v2
Date: Wed, 9 Sep 2020 04:37:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-09 21:45:08.848657
Title: CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification
Title（参考訳）: CS-AF:皮膚病変分類のための費用感受性多型アクティブフュージョンフレームワーク
Authors: Di Zhuang, Keyu Chen, J. Morris Chang
Abstract要約: 畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
参考スコア（独自算出の注目度）: 9.265557367859637
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional neural networks (CNNs) have achieved the state-of-the-art performance in skin lesion analysis. Compared with single CNN classifier, combining the results of multiple classifiers via fusion approaches shows to be more effective and robust. Since the skin lesion datasets are usually limited and statistically biased, while designing an effective fusion approach, it is important to consider not only the performance of each classifier on the training/validation dataset, but also the relative discriminative power (e.g., confidence) of each classifier regarding an individual sample in the testing phase, which calls for an active fusion approach. Furthermore, in skin lesion analysis, the data of certain classes (e.g., the benign lesions) is usually abundant making them an over-represented majority, while the data of some other classes (e.g., the cancerous lesions) is deficient, making them an underrepresented minority. It is more crucial to precisely identify the samples from an underrepresented (i.e., in terms of the amount of data) but more important minority class (e.g., certain cancerous lesion). In other words, misclassifying a more severe lesion to a benign or less severe lesion should have relative more cost (e.g., money, time and even lives). To address such challenges, we present CS-AF, a cost-sensitive multi-classifier active fusion framework for skin lesion classification. In the experimental evaluation, we prepared 96 base classifiers (of 12 CNN architectures) on the ISIC research datasets. Our experimental results show that our framework consistently outperforms the static fusion competitors.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。単一のCNN分類器と比較して、融合アプローチによる複数の分類器の結果を組み合わせると、より効果的で堅牢であることが分かる。皮膚病変データセットは通常、限定的かつ統計的に偏りがあるため、効果的な融合アプローチを設計しながら、トレーニング/検証データセット上の各分類器の性能だけでなく、テストフェーズにおける個々の試料に関する各分類器の相対的な識別力(例えば、信頼)についても検討することが重要である。さらに、皮膚病変解析では、特定のクラス(例えば良性病変)のデータは、通常、過剰に表現された多数派となり、他のクラス(例えば癌性病変)のデータは不足しているため、少数派である。過小表示された(データ量の観点から)標本を正確に同定することはより重要であるが、より重要なマイノリティクラス(例えば、特定のがん性病変)である。言い換えれば、良性または軽度の病変に対してより重篤な病変を分類することは、相対的にコスト(例えばお金、時間、生活など)を増加させるべきである。このような課題に対処するために,皮膚病変分類のための費用感受性多型化能動融合フレームワークCS-AFを提案する。実験により,ISIC研究データセット上に96のベース分類器(12のCNNアーキテクチャ)を作成した。実験の結果,我々のフレームワークは静的核融合の競合より一貫して優れていることがわかった。

関連論文リスト

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)
Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification using Dermoscopy and Clinical Images [7.159532626507458]
本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
論文参考訳（メタデータ） (2023-07-04T13:19:57Z)
Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文参考訳（メタデータ） (2022-03-29T04:54:06Z)
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)
On the Fairness of Swarm Learning in Skin Lesion Classification [22.896631007125244]
分散および協調学習は、大規模な、異種、分散データソースでのトレーニングモデルを巻き込むアプローチである。単一 (ノード) トレーニング, SL, 集中訓練の公平性を比較検討し, 実験的検討を行った。実験により、SLは集中トレーニングに比べて公平性問題を悪化させることはないことが示された。
論文参考訳（メタデータ） (2021-09-24T20:20:24Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion Classification [5.642359877598896]
本稿では,小・不均衡なデータセットに基づく皮膚病変の単一モデル分類のための新しいデータ拡張戦略を提案する。このデータセット上で、様々なDCNNがトレーニングされ、適度な複雑さを持つモデルがより大きなモデルより優れていることを示す。修正RandAugmentとMulti-weighted Focal Lossを1つのDCNNモデルで組み合わせることで、ISIC 2018チャレンジテストデータセット上の複数のアンサンブルモデルに匹敵する分類精度を達成した。
論文参考訳（メタデータ） (2021-02-02T03:48:55Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。