論文の概要: Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion
Classification
- arxiv url: http://arxiv.org/abs/2102.01284v1
- Date: Tue, 2 Feb 2021 03:48:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 16:25:27.400041
- Title: Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion
Classification
- Title（参考訳）: 皮膚病変分類のための不均衡小データセットの単一モデル深層学習
- Authors: Peng Yao, Shuwei Shen, Mengjuan Xu, Peng Liu, Fan Zhang, Jinyu Xing,
Pengfei Shao, Benjamin Kaffenberger, and Ronald X. Xu
- Abstract要約: 本稿では,小・不均衡なデータセットに基づく皮膚病変の単一モデル分類のための新しいデータ拡張戦略を提案する。
このデータセット上で、様々なDCNNがトレーニングされ、適度な複雑さを持つモデルがより大きなモデルより優れていることを示す。
修正RandAugmentとMulti-weighted Focal Lossを1つのDCNNモデルで組み合わせることで、ISIC 2018チャレンジテストデータセット上の複数のアンサンブルモデルに匹敵する分類精度を達成した。
- 参考スコア（独自算出の注目度）: 5.642359877598896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep convolutional neural network (DCNN) models have been widely explored for
skin disease diagnosis and some of them have achieved the diagnostic outcomes
comparable or even superior to those of dermatologists. However, broad
implementation of DCNN in skin disease detection is hindered by small size and
data imbalance of the publically accessible skin lesion datasets. This paper
proposes a novel data augmentation strategy for single model classification of
skin lesions based on a small and imbalanced dataset. First, various DCNNs are
trained on this dataset to show that the models with moderate complexity
outperform the larger models. Second, regularization DropOut and DropBlock are
added to reduce overfitting and a Modified RandAugment augmentation strategy is
proposed to address the defects of sample underrepresentation in the small
dataset. Finally, a novel Multi-Weighted Focal Loss function is introduced to
overcome the challenge of uneven sample size and classification difficulty. By
combining Modified RandAugment and Multi-weighted Focal Loss in a single DCNN
model, we have achieved the classification accuracy comparable to those of
multiple ensembling models on the ISIC 2018 challenge test dataset. Our study
shows that this method is able to achieve a high classification performance at
a low cost of computational resources and inference time, potentially suitable
to implement in mobile devices for automated screening of skin lesions and many
other malignancies in low resource settings.
- Abstract（参考訳）: 深層畳み込みニューラルネットワーク(DCNN)モデルは皮膚疾患の診断のために広く研究されており、そのいくつかは皮膚科医の診断結果と同等かそれ以上に優れている。
しかし, 皮膚疾患検出におけるdcnnの広範な実装は, 小さいサイズとデータ不均衡によって妨げられている。
本稿では,小・不均衡なデータセットに基づく皮膚病変の単一モデル分類のための新しいデータ拡張戦略を提案する。
まず、このデータセット上で様々なDCNNをトレーニングし、適度な複雑さを持つモデルがより大きなモデルより優れていることを示す。
第二に、正規化DropOutとDropBlockを追加してオーバーフィッティングを削減し、小さなデータセットのサンプル不足の欠陥に対処するためにModified RandAugment Augmentation戦略を提案します。
最後に,不均一なサンプルサイズと分類困難さを克服するために,新しい多重音声損失関数を導入した。
改良型ランダグメントと複数重み付き焦点損失を単一のdcnnモデルで組み合わせることで,isic 2018 challengeテストデータセットにおける複数のセンシングモデルと同等の分類精度を達成した。
本研究では, 低リソース環境下での皮膚病変や他の多くの悪性度の自動スクリーニングのためにモバイル機器に実装するのに好適な, 計算リソースと推論時間の低コストで高い分類性能を達成できることを示した。
関連論文リスト
- An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。
従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。
この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
論文 参考訳（メタデータ） (2024-05-16T01:45:55Z) - Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-03-13T10:51:18Z) - MCRAGE: Synthetic Healthcare Data for Fairness [3.0089659534785853]
そこで本稿では,MCRAGE (Generative Modeling) の強化による不均衡データセットの増大によるマイノリティクラス再バランスを提案する。
MCRAGEは、デノイング拡散確率モデル (Denoising Diffusion Probabilistic Model, CDDPM) を訓練し、未表現のクラスから高品質な合成EHRサンプルを生成する。
この合成データを使用して、既存の不均衡なデータセットを増大させ、その結果、すべてのクラスにまたがるよりバランスの取れた分散を実現します。
論文 参考訳（メタデータ） (2023-10-27T19:02:22Z) - Feature robustness and sex differences in medical imaging: a case study
in MRI-based Alzheimer's disease detection [1.7616042687330637]
我々はADNI MRIデータセットの2つの分類方式を比較した。
訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
論文 参考訳（メタデータ） (2022-04-04T17:37:54Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for
Skin Lesion Classification [9.265557367859637]
畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。
皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
論文 参考訳（メタデータ） (2020-04-25T05:48:14Z)
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。