論文の概要: Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty

• arxiv url: http://arxiv.org/abs/2007.16102v2
• Date: Tue, 9 Nov 2021 16:03:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:49:32.416611
• Title: Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty
• Title（参考訳）: 大腿骨骨折分類改善のためのカリキュラム学習 : 事前知識と不確実性を考慮したスケジューリングデータ
• Authors: Amelia Jim\'enez-S\'anchez, Diana Mateus, Sonja Kirchhoff, Chlodwig Kirchhoff, Peter Biberthaler, Nassir Navab, Miguel A. Gonz\'alez Ballester, Gemma Piella
• Abstract要約: 畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折の3および7AOクラスへの自動分類法を提案する。 我々の新しい定式化は、トレーニングサンプルを個別に重み付けし、トレーニングセットを再順序付けし、データのサブセットをサンプリングする3つのカリキュラム戦略を再結合する。 このカリキュラムは、経験豊富な外傷外科医のパフォーマンスまで、大腿骨近位部骨折分類を改善している。
• 参考スコア（独自算出の注目度）: 36.54112505898611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An adequate classification of proximal femur fractures from X-ray images is crucial for the treatment choice and the patients' clinical outcome. We rely on the commonly used AO system, which describes a hierarchical knowledge tree classifying the images into types and subtypes according to the fracture's location and complexity. In this paper, we propose a method for the automatic classification of proximal femur fractures into 3 and 7 AO classes based on a Convolutional Neural Network (CNN). As it is known, CNNs need large and representative datasets with reliable labels, which are hard to collect for the application at hand. In this paper, we design a curriculum learning (CL) approach that improves over the basic CNNs performance under such conditions. Our novel formulation reunites three curriculum strategies: individually weighting training samples, reordering the training set, and sampling subsets of data. The core of these strategies is a scoring function ranking the training samples. We define two novel scoring functions: one from domain-specific prior knowledge and an original self-paced uncertainty score. We perform experiments on a clinical dataset of proximal femur radiographs. The curriculum improves proximal femur fracture classification up to the performance of experienced trauma surgeons. The best curriculum method reorders the training set based on prior knowledge resulting into a classification improvement of 15%. Using the publicly available MNIST dataset, we further discuss and demonstrate the benefits of our unified CL formulation for three controlled and challenging digit recognition scenarios: with limited amounts of data, under class-imbalance, and in the presence of label noise. The code of our work is available at: https://github.com/ameliajimenez/curriculum-learning-prior-uncertainty.
• Abstract（参考訳）: X線画像による大腿骨近位部骨折の適切な分類は,治療選択と臨床成績に不可欠である。 画像のタイプとサブタイプに分類する階層的な知識ツリーを,フラクチャーの位置と複雑性に応じて記述する,一般的なaoシステムに依存している。 本稿では, 畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折を3および7AOクラスに分類する手法を提案する。 知られているように、cnnは信頼できるラベルを持つ大規模かつ代表的なデータセットを必要としており、アプリケーションの手元には収集が難しい。 本稿では,このような条件下での基本CNNの性能を改善するカリキュラム学習(CL)アプローチを設計する。 学習サンプルの個別重み付け、トレーニングセットの再順序付け、データのサブセットのサンプリングという3つのカリキュラム戦略を再結合する。 これらの戦略の中核は、トレーニングサンプルをランク付けするスコアリング機能である。 ドメイン固有の事前知識と独自の自己評価不確実性スコアの2つの新しいスコアリング関数を定義する。 大腿骨近位部x線写真の臨床データを用いて実験を行った。 このカリキュラムは大腿骨近位部骨折の分類を経験豊富な外傷外科医のパフォーマンスまで改善する。 最良のカリキュラム方法は、事前知識に基づいてトレーニングセットを並べ替え、分類改善を15%とする。 一般公開されたMNISTデータセットを用いて、制限されたデータ、クラス不均衡、ラベルノイズの存在下での3つの制御および挑戦的な数値認識シナリオに対する統合CL定式化の利点をさらに議論し、実証する。 私たちの仕事のコードは、https://github.com/ameliajimenez/curriculum-learning-prior-uncertaintyで入手できる。

関連論文リスト

• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。 我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。 LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• A Dataset for Deep Learning-based Bone Structure Analyses in Total Hip Arthroplasty [8.604089365903029]
  全股関節解剖(THA)は整形外科において広く用いられている外科手術である。 ディープラーニング技術は有望だが、学習には高品質なラベル付きデータが必要である。 ディープラーニング指向のデータセットを生成するための効率的なデータアノテーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-06-07T16:28:53Z)
• Forward-Forward Contrastive Learning [4.465144120325802]
  医用画像分類のための新しい事前学習手法として,前向きコントラスト学習(FFCL)を提案する。 FFCLは、肺炎分類タスクにおける既存の事前訓練モデルよりも、ImageNet Pretrained ResNet-18よりも3.69%の精度で性能が向上している。
  論文  参考訳（メタデータ） (2023-05-04T15:29:06Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• An Explainable CNN Approach for Medical Codes Prediction from Clinical Text [1.7746314978241657]
  我々は集中治療室(ICU)における臨床テキストに基づくCNNベースの自動ICD符号化法を開発した。 私たちは、私たちのモデルが各ラベルの局所的および低レベルの機能を学ぶことを可能にするShallow and Wide Attention Convolutional Mechanism(SWAM)を思いつきました。
  論文  参考訳（メタデータ） (2021-01-14T02:05:34Z)

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。