論文の概要: Improve Global Glomerulosclerosis Classification with Imbalanced Data using CircleMix Augmentation

• arxiv url: http://arxiv.org/abs/2101.07654v1
• Date: Sat, 16 Jan 2021 22:35:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-28 04:26:10.837142
• Title: Improve Global Glomerulosclerosis Classification with Imbalanced Data using CircleMix Augmentation
• Title（参考訳）: CircleMix Augmentation を用いた不均衡データによるGlomerulosclerosis分類の改善
• Authors: Yuzhe Lu, Haichun Yang, Zheyu Zhu, Ruining Deng, Agnes B. Fogo, and Yuankai Huo
• Abstract要約: 本稿では,世界的硬化糸球体分類の精度を向上させるために,新しいデータ拡張技術であるcirclemixを提案する。 5倍のクロスバリデーションから、提案するcirclemix拡張は優れた性能を達成した。
• 参考スコア（独自算出の注目度）: 1.936590190738212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of glomerular lesions is a routine and essential task in renal pathology. Recently, machine learning approaches, especially deep learning algorithms, have been used to perform computer-aided lesion characterization of glomeruli. However, one major challenge of developing such methods is the naturally imbalanced distribution of different lesions. In this paper, we propose CircleMix, a novel data augmentation technique, to improve the accuracy of classifying globally sclerotic glomeruli with a hierarchical learning strategy. Different from the recently proposed CutMix method, the CircleMix augmentation is optimized for the ball-shaped biomedical objects, such as glomeruli. 6,861 glomeruli with five classes (normal, periglomerular fibrosis, obsolescent glomerulosclerosis, solidified glomerulosclerosis, and disappearing glomerulosclerosis) were employed to develop and evaluate the proposed methods. From five-fold cross-validation, the proposed CircleMix augmentation achieved superior performance (Balanced Accuracy=73.0%) compared with the EfficientNet-B0 baseline (Balanced Accuracy=69.4%)
• Abstract（参考訳）: 糸球体病変の分類は腎病理学において日常的かつ必須の課題である。 近年,機械学習アプローチ,特に深層学習アルゴリズムは,糸球体のコンピュータ支援による病変解析に用いられている。 しかし、そのような方法を開発する際の大きな課題は、異なる病変の自然に不均衡な分布である。 本稿では,階層的学習戦略を用いて,グローバルな硬化性糸球体分類の精度を向上させるための新しいデータ拡張手法であるcirclemixを提案する。 最近提案されたcutmix法とは異なり、circlemixの増強は糸球体のような球状生物医学的対象に最適化されている。 6861 glomeruli with five class ( normal, periglomerular fibrosis, obsolescent glomerulosclerosis, solidified glomerulosclerosis, and disappearing glomerulosclerosis) を用いて, 本法の開発と評価を行った。 5倍のクロスバリデーションから,提案するcirclemix拡張は,effernet-b0ベースラインと比較して優れた性能(バランス精度=73.0%)を達成した。

関連論文リスト

• DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
  緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。 本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
  論文  参考訳（メタデータ） (2024-12-04T17:39:44Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Reweighted Mixup for Subpopulation Shift [63.1315456651771]
  サブポピュレーションシフトは、多くの実世界のアプリケーションに存在し、同じサブポピュレーショングループを含むが異なるサブポピュレーション比率を持つトレーニングとテストの分布を指す。 重要度再重み付けは、サブポピュレーションシフトを処理する古典的で効果的な方法である。 我々は、オーバーフィッティング問題を緩和するために、reweighted mixupと呼ばれるシンプルで実用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-09T03:44:50Z)
• Research on Efficient Fuzzy Clustering Method Based on Local Fuzzy Granular balls [67.33923111887933]
  本稿では,データをグラニュラーボールを用いてファジィにイテレーションし,その位置にある2つのグラニュラーボールのみをデータのメンバーシップ度として検討する。 ファジィグラニュラーボールセットは、異なるデータシナリオに直面して、より多くの処理方法を使用することができる。
  論文  参考訳（メタデータ） (2023-03-07T01:52:55Z)
• Adaptive Personlization in Federated Learning for Highly Non-i.i.d. Data [37.667379000751325]
  フェデレートラーニング(Federated Learning, FL)は、医療機関にグローバルモデルにおけるコラボレーションの見通しを提供する分散ラーニング手法である。 本研究では,FLの中間的半言語モデルを生成する適応階層クラスタリング手法について検討する。 本実験は, 分類精度の標準的なFL法と比較して, 不均質分布において有意な性能向上を示した。
  論文  参考訳（メタデータ） (2022-07-07T17:25:04Z)
• Free-form Lesion Synthesis Using a Partial Convolution Generative Adversarial Network for Enhanced Deep Learning Liver Tumor Segmentation [3.3148826359547523]
  本研究の目的は,ネットワークトレーニングの強化に使用できる合成病変を生成するための深層学習フレームワークを開発することである。 病変合成ネットワークはGAN(Modified Generative Adversarial Network)である 判別器は、勾配ペナルティとスペクトル正規化を備えたワッサーシュタインGANを用いて設計されている。
  論文  参考訳（メタデータ） (2022-06-18T00:40:41Z)
• Automatic Fine-grained Glomerular Lesion Recognition in Kidney Pathology [14.09523995941001]
  スライド画像全体から細粒度糸球体病変を識別する手法を提案する。 Uncertainty Aided Apportionment Networkは、バウンディングボックスアノテーションを使わずに、きめ細かい視覚分類を行うように設計されている。 その結果, 平均精度を8～22%向上させることができた。
  論文  参考訳（メタデータ） (2022-03-11T10:50:29Z)
• HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor Classification [3.319978067919918]
  HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。 k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
  論文  参考訳（メタデータ） (2022-01-28T17:37:15Z)
• Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images [16.041873352037594]
  副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。 CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。 副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。 そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
  論文  参考訳（メタデータ） (2020-07-29T06:24:53Z)
• Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
  教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。 本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。 我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
  論文  参考訳（メタデータ） (2020-07-06T08:11:03Z)
• ROAM: Random Layer Mixup for Semi-Supervised Learning in Medical Imaging [43.26668942258135]
  医療画像のセグメンテーションは、機械学習の手法が抱える大きな課題の1つだ。 我々はRandOm lAyer MixupのROAMを提案する。 ROAMは、全脳セグメンテーションに対してそれぞれ2.40%と16.50%の相対的な改善を施した、完全に監督された(89.5%)と半監督された(87.0%)設定のSOTA(State-of-the-art)を達成している。
  論文  参考訳（メタデータ） (2020-03-20T18:07:12Z)

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。