Fugu-MT 論文翻訳(概要): Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications

論文の概要: Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications

arxiv url: http://arxiv.org/abs/2007.09979v2
Date: Tue, 21 Jul 2020 08:58:04 GMT
ステータス: 処理完了
システム内更新日: 2022-11-08 14:00:02.818135
Title: Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications
Title（参考訳）: ジェネリック2次元医用画像分類のためのDistractor-Aware Neuron Intrinsic Learning
Authors: Lijun Gong, Kai Ma, Yefeng Zheng
Abstract要約: 我々は、畳み込みニューラルネットワーク(CNN)が障害的干渉に弱いことを観察する。本稿では,ニューロン固有の学習手法を提案することで,CNN特徴空間からの逸脱を探索する。提案手法は最先端のアプローチに対して良好に機能する。
参考スコア（独自算出の注目度）: 30.62607811479386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Medical image analysis benefits Computer Aided Diagnosis (CADx). A fundamental analyzing approach is the classification of medical images, which serves for skin lesion diagnosis, diabetic retinopathy grading, and cancer classification on histological images. When learning these discriminative classifiers, we observe that the convolutional neural networks (CNNs) are vulnerable to distractor interference. This is due to the similar sample appearances from different categories (i.e., small inter-class distance). Existing attempts select distractors from input images by empirically estimating their potential effects to the classifier. The essences of how these distractors affect CNN classification are not known. In this paper, we explore distractors from the CNN feature space via proposing a neuron intrinsic learning method. We formulate a novel distractor-aware loss that encourages large distance between the original image and its distractor in the feature space. The novel loss is combined with the original classification loss to update network parameters by back-propagation. Neuron intrinsic learning first explores distractors crucial to the deep classifier and then uses them to robustify CNN inherently. Extensive experiments on medical image benchmark datasets indicate that the proposed method performs favorably against the state-of-the-art approaches.
Abstract（参考訳）: 医療画像解析はcadx(computer assisted diagnosis)の恩恵を受ける。基本的な分析手法は、皮膚病変の診断、糖尿病性網膜症のグレーディング、および組織像の癌分類に役立つ医用画像の分類である。これらの識別型分類器を学習する際には、畳み込みニューラルネットワーク(CNN)が障害に弱いことが観察される。これは、異なるカテゴリー(すなわちクラス間の小さな距離)の類似したサンプルの出現によるものである。既存の試行では、分類器に対する潜在的な効果を経験的に推定することで、入力画像からインタプリタを選択する。これらの障害がCNN分類にどのように影響するかは分かっていない。本稿では,ニューロン固有の学習手法を提案することで,CNN特徴空間からの逸脱を探索する。我々は,特徴空間における原画像と特徴空間との距離を広くする新たなトラクタ認識損失を定式化する。新たな損失は、元の分類損失と組み合わせて、バックプロパゲーションによってネットワークパラメータを更新する。ニューロン固有の学習は、まず深層分類器に不可欠な障害を探索し、その後CNNを本質的に強固にする。医用画像ベンチマークデータセットに関する広範な実験は,提案手法が最先端のアプローチに好適に作用することを示している。

関連論文リスト

Understanding the Role of Pathways in a Deep Neural Network [4.456675543894722]
分類タスクで訓練された畳み込みニューラルネットワーク(CNN)を分析し,個々の画素の拡散経路を抽出するアルゴリズムを提案する。画像からの個々のピクセルの最も大きな経路は、分類に重要な各層の特徴マップを横断する傾向にある。
論文参考訳（メタデータ） (2024-02-28T07:53:19Z)
Learning Low-Rank Feature for Thorax Disease Classification [7.447448767095787]
本稿では胸部疾患分類について検討する。疾患領域の特徴の効果的な抽出は, 放射線画像上の疾患分類に不可欠である。本稿では,Low-Rank Feature Learning (LRFL)法を提案する。
論文参考訳（メタデータ） (2024-02-14T15:35:56Z)
Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
論文参考訳（メタデータ） (2023-07-03T10:41:34Z)
Debiasing Deep Chest X-Ray Classifiers using Intra- and Post-processing Methods [9.152759278163954]
本研究では、すでに訓練済みのニューラルネットワークを微調整および刈り取ることに基づく2つの新しいプロセス内処理手法を提案する。我々の知る限りでは、胸部X線写真における脱バイアス法の研究としては、これが最初の試みの1つである。
論文参考訳（メタデータ） (2022-07-26T10:18:59Z)
Prune and distill: similar reformatting of image information along rat visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文参考訳（メタデータ） (2022-05-27T08:06:40Z)
Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
論文参考訳（メタデータ） (2022-03-24T15:24:38Z)
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)
Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文参考訳（メタデータ） (2020-08-21T04:53:44Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。