論文の概要: Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification
- arxiv url: http://arxiv.org/abs/2012.03173v1
- Date: Sun, 6 Dec 2020 03:41:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 14:04:55.750841
- Title: Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification
- Title（参考訳）: ロバスト深部AUCの最大化:新しいサロゲート損失と医用画像分類に関する実証的研究
- Authors: Zhuoning Yuan, Yan Yan, Milan Sonka, Tianbao Yang
- Abstract要約: AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
- 参考スコア（独自算出の注目度）: 63.44396343014749
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep AUC Maximization (DAM) is a paradigm for learning a deep neural network
by maximizing the AUC score of the model on a dataset. Most previous works of
AUC maximization focus on the perspective of optimization by designing
efficient stochastic algorithms, and studies on generalization performance of
DAM on difficult tasks are missing. In this work, we aim to make DAM more
practical for interesting real-world applications (e.g., medical image
classification). First, we propose a new margin-based surrogate loss function
for the AUC score (named as the AUC margin loss). It is more robust than the
commonly used AUC square loss, while enjoying the same advantage in terms of
large-scale stochastic optimization. Second, we conduct empirical studies of
our DAM method on difficult medical image classification tasks, namely
classification of chest x-ray images for identifying many threatening diseases
and classification of images of skin lesions for identifying melanoma. Our DAM
method has achieved great success on these difficult tasks, i.e., the 1st place
on Stanford CheXpert competition (by the paper submission date) and Top 1% rank
(rank 33 out of 3314 teams) on Kaggle 2020 Melanoma classification competition.
We also conduct extensive ablation studies to demonstrate the advantages of the
new AUC margin loss over the AUC square loss on benchmark datasets. To the best
of our knowledge, this is the first work that makes DAM succeed on large-scale
medical image datasets.
- Abstract（参考訳）: Deep AUC Maximization (DAM)は、データセット上でモデルのAUCスコアを最大化することで、ディープニューラルネットワークを学ぶためのパラダイムである。
auc最大化のほとんどの先行研究は、効率的な確率アルゴリズムの設計による最適化の観点に焦点を当てており、難しいタスクに対するダムの一般化性能に関する研究が欠落している。
本研究では,DAMを実世界の興味深い応用(医用画像分類など)に活用することを目的としている。
まず、AUCスコア(AUCマージン損失)に対する新たなマージンベースサロゲート損失関数を提案する。
一般に使われているAUC平方損失よりも頑健であり、大規模確率最適化の点で同じ利点がある。
第2に, 医用画像分類課題である胸部x線画像の分類, メラノーマ同定のための皮膚病変画像の分類について, ダム法を実証的に検討した。
私たちのDAM手法は、これらの困難なタスク、すなわち(論文提出日による)Stanford CheXpertコンペティションで1位、Kaggle 2020 Melanomaコンペティションでトップ1%(3314チーム中33位)で大きな成功を収めました。
また,ベンチマークデータセットにおける auc 平方損失に対する新たな auc マージン損失の利点を実証するために,広範なアブレーション研究を行っている。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
関連論文リスト
- Rethinking Medical Anomaly Detection in Brain MRI: An Image Quality Assessment Perspective [14.39502951611029]
構造類似度指数の損失をl1損失と組み合わせた核融合品質損失関数を提案する。
また,正常領域と異常領域の平均強度比(AIR)を高めるデータ前処理戦略を導入し,異常の識別を改善した。
提案したIQAアプローチは,BraTS21(T2,FLAIR)およびMSULBデータセット上のDice係数(DICE)とAUPRC(Area Under the Precision-Recall Curve)において,大幅な改善(>10%)を達成している。
論文 参考訳（メタデータ） (2024-08-15T15:55:07Z) - Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T10:22:14Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification [2.4866930218890837]
医用画像データセットにおけるクラス不均衡問題を軽減するために,Large Margin aware(LMF)損失という新しいフレームワークを提案する。
この枠組みは、マイノリティクラスに対してより広いマージンを課すことにより、両方の損失関数の明確な特性を利用する。
提案手法が他のベースライン法より一貫して優れていることを示す実証的証拠を提供する。
論文 参考訳（メタデータ） (2022-12-24T14:19:44Z) - MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust
Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。
提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-02T20:25:26Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳（メタデータ） (2021-11-01T15:31:32Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale
Deep Convolutional Neural Network [8.950918531231158]
本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。
提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
論文 参考訳（メタデータ） (2021-06-27T17:29:46Z)
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。