論文の概要: Difficulty-aware Glaucoma Classification with Multi-Rater Consensus
Modeling
- arxiv url: http://arxiv.org/abs/2007.14848v1
- Date: Wed, 29 Jul 2020 14:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 20:26:49.155981
- Title: Difficulty-aware Glaucoma Classification with Multi-Rater Consensus
Modeling
- Title（参考訳）: マルチレータ・コンセンサス・モデリングによる難治性緑内障の分類
- Authors: Shuang Yu, Hong-Yu Zhou, Kai Ma, Cheng Bian, Chunyan Chu, Hanruo Liu,
Yefeng Zheng
- Abstract要約: 我々は,緑内障分類タスクの深層学習モデルの性能向上のために,生のマルチレータグレーディングを利用する。
入力画像に対して最も感度が高く,最も具体的で,かつ,バランスの取れた融合結果を予測するために,マルチブランチモデル構造を提案する。
最終トラストラベルのみをトレーニングしたモデルと比較して,マルチレータコンセンサス情報を用いた提案手法は優れた性能を示した。
- 参考スコア（独自算出の注目度）: 34.28252351672568
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Medical images are generally labeled by multiple experts before the final
ground-truth labels are determined. Consensus or disagreement among experts
regarding individual images reflects the gradeability and difficulty levels of
the image. However, when being used for model training, only the final
ground-truth label is utilized, while the critical information contained in the
raw multi-rater gradings regarding the image being an easy/hard case is
discarded. In this paper, we aim to take advantage of the raw multi-rater
gradings to improve the deep learning model performance for the glaucoma
classification task. Specifically, a multi-branch model structure is proposed
to predict the most sensitive, most specifical and a balanced fused result for
the input images. In order to encourage the sensitivity branch and specificity
branch to generate consistent results for consensus labels and opposite results
for disagreement labels, a consensus loss is proposed to constrain the output
of the two branches. Meanwhile, the consistency/inconsistency between the
prediction results of the two branches implies the image being an easy/hard
case, which is further utilized to encourage the balanced fusion branch to
concentrate more on the hard cases. Compared with models trained only with the
final ground-truth labels, the proposed method using multi-rater consensus
information has achieved superior performance, and it is also able to estimate
the difficulty levels of individual input images when making the prediction.
- Abstract（参考訳）: 医用画像は一般に複数の専門家によってラベル付けされる。
個々の画像に関する専門家間の合意や意見の相違は、画像のグレード性や難易度を反映している。
しかし、モデルトレーニングに使用する場合、最終接地ラベルのみを使用し、画像が容易かつハードなケースであることに関して、生のマルチレート評価に含まれる重要な情報を捨てる。
本稿では,緑内障分類タスクの深層学習モデル性能を向上させるために,生のマルチレータグレーディングを活用することを目的とする。
具体的には、入力画像に対する最も感度の高い、最も特異な、バランスのとれた結果を予測するために、マルチブランチモデル構造を提案する。
感度分枝と特異分枝がコンセンサスラベルと反対のコンセンサスラベルの一貫性のある結果を生成するように促すため、コンセンサスロスを提案し、2つの分枝の出力を制限する。
一方、両枝の予測結果の整合性/整合性は、画像が容易かつ硬いケースであることを示し、さらに、平衡融合枝がハードケースに集中するように促すために利用される。
最終接地ラベルでのみトレーニングされたモデルと比較して,マルチレートコンセンサス情報を用いた提案手法は優れた性能を達成し,予測を行う際に個々の入力画像の難易度を推定できる。
関連論文リスト
- Decompose-and-Compose: A Compositional Approach to Mitigating Spurious Correlation [2.273629240935727]
画像の要素を組み合わせることで相関シフトを改善するために,分解分解(DaC)を提案する。
経験的リスク最小化(Empirical Risk Minimization, ERM)で訓練されたモデルでは, 通常, 因果成分, あるいはラベルとの急激な相関性が高い成分のいずれかに高い関与が認められた。
トレーニング中に,グループラベルやスプリアスの特徴に関する情報を必要とせず,画像に介入してグループバランスを行う手法を提案する。
論文 参考訳（メタデータ） (2024-02-29T07:24:24Z) - ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。
最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。
本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
論文 参考訳（メタデータ） (2024-01-02T22:15:20Z) - Simple and Efficient Confidence Score for Grading Whole Slide Images [0.7349727826230862]
学習課題におけるAIモデルの信頼度を測定するための新しいスコアを提案する。
我々の信頼スコアは、特に順序の出力変数に適応しており、汎用的で、追加のトレーニングや追加の推論を必要としない。
このスコアは, 誤予測されたスライドを正確に識別し, 高い信頼度判定の精度が低信頼度判定の精度よりも有意に高いことを示す。
論文 参考訳（メタデータ） (2023-03-08T14:15:43Z) - Modulated Contrast for Versatile Image Synthesis [60.304183493234376]
MoNCEは画像のコントラストを導入し、多面的画像間距離の知覚のための校正基準を学習する。
複数の対照的な目的に対して協調的に負のサンプルのプッシュ力を変調するために,MoNCEの最適輸送を導入する。
論文 参考訳（メタデータ） (2022-03-17T14:03:46Z) - Label fusion and training methods for reliable representation of
inter-rater uncertainty [0.0]
複数のレーダからのアノテーションによるディープラーニングネットワークのトレーニングは、モデルの偏見を1人の専門家に緩和する。
異なる専門家のラベルを考慮する様々な方法が存在する。
STAPLE, レートラのセグメンテーションの平均値, トレーニング中に各レートラのセグメンテーションをランダムにサンプリングする3つのラベル融合法を比較した。
論文 参考訳（メタデータ） (2022-02-15T16:35:47Z) - Palette: Image-to-Image Diffusion Models [50.268441533631176]
我々は条件付き拡散モデルを用いた画像から画像への変換のためのシンプルで一般的なフレームワークであるPaletteを紹介する。
4つの困難な画像から画像への変換タスクにおいて、Paletteは強力なGANと回帰ベースラインを上回っている。
本稿では、FID、インセプションスコア、事前訓練されたResNet-50の分類精度、参照画像に対する知覚距離などのサンプル品質スコアについて報告する。
論文 参考訳（メタデータ） (2021-11-10T17:49:29Z) - Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。
完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-24T15:00:47Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2021-05-27T03:27:58Z) - Delving into Inter-Image Invariance for Unsupervised Visual
Representations [108.33534231219464]
画像間不変学習の役割をよりよく理解するための研究を提案する。
オンラインラベルはオフラインラベルよりも早く収束する。
半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
論文 参考訳（メタデータ） (2020-08-26T17:44:23Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳（メタデータ） (2020-02-25T03:32:29Z)
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。