Fugu-MT 論文翻訳(概要): Convolutional Neural Networks in Multi-Class Classification of Medical Data

論文の概要: Convolutional Neural Networks in Multi-Class Classification of Medical Data

arxiv url: http://arxiv.org/abs/2012.14059v1
Date: Mon, 28 Dec 2020 02:04:38 GMT
ステータス: 処理完了
システム内更新日: 2021-04-24 18:25:27.432724
Title: Convolutional Neural Networks in Multi-Class Classification of Medical Data
Title（参考訳）: 医療データの多種分類における畳み込みニューラルネットワーク
Authors: YuanZheng Hu, Marina Sokolova
Abstract要約: 深層学習(CNN)と浅い学習モデル(Gradient Boosting)を組み合わせたアンサンブルモデルを紹介します。本手法は,本研究で達成した最高3クラス分類精度である64.93の精度を実現する。
参考スコア（独自算出の注目度）: 0.9137554315375922
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We report applications of Convolutional Neural Networks (CNN) to multi-classification classification of a large medical data set. We discuss in detail how changes in the CNN model and the data pre-processing impact the classification results. In the end, we introduce an ensemble model that consists of both deep learning (CNN) and shallow learning models (Gradient Boosting). The method achieves Accuracy of 64.93, the highest three-class classification accuracy we achieved in this study. Our results also show that CNN and the ensemble consistently obtain a higher Recall than Precision. The highest Recall is 68.87, whereas the highest Precision is 65.04.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の大規模医療データセットの多分類分類への応用について報告する。我々は、CNNモデルとデータ前処理の変化が分類結果に与える影響を詳細に論じる。最後に,深層学習(CNN)と浅層学習(Gradient Boosting)の両方からなるアンサンブルモデルを導入する。本手法は,本研究で達成した最高3クラス分類精度である64.93の精度を実現する。以上の結果から,CNNとアンサンブルは精度よりも高いリコールが得られることがわかった。最も高いリコールは68.87で、最高精度は65.04である。

関連論文リスト

Automatic Machine Learning for Multi-Receiver CNN Technology Classifiers [16.244541005112747]
畳み込みニューラルネットワーク(CNN)は、信号分類のための最も研究されているディープラーニングモデルの1つである。我々は、複数の同期受信機から収集した生のI/Qサンプルに基づく技術分類に焦点を当てた。
論文参考訳（メタデータ） (2022-04-28T23:41:38Z)
Lightweight Hybrid CNN-ELM Model for Multi-building and Multi-floor Classification [6.154022105385209]
本稿では,CNN と ELM の軽量な組み合わせを提案する。その結果,提案モデルはベンチマークよりも58%高速であり,分類精度はわずかに向上した。
論文参考訳（メタデータ） (2022-04-21T21:48:01Z)
An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文参考訳（メタデータ） (2022-04-21T06:36:10Z)
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)
Model Doctor: A Simple Gradient Aggregation Strategy for Diagnosing and Treating CNN Classifiers [33.82339346293966]
畳み込みニューラルネットワーク(CNN)は,分類タスクにおいて優れた性能を発揮する。 CNNは、予測メカニズムを理解するのが難しい「ブラックボックス」と見なされていることが広く知られている。本稿では,モデルドクターと呼ばれる,最初の完全自動診断・治療ツールを提案する。
論文参考訳（メタデータ） (2021-12-09T14:05:00Z)
CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文参考訳（メタデータ） (2021-10-29T18:41:15Z)
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)
Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文参考訳（メタデータ） (2021-08-29T05:45:03Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文参考訳（メタデータ） (2020-12-20T23:24:31Z)

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。