論文の概要: Multiclass Anomaly Detection in GI Endoscopic Images using Optimized
Deep One-class Classification in an Imbalanced Dataset
- arxiv url: http://arxiv.org/abs/2103.08508v1
- Date: Mon, 15 Mar 2021 16:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 16:19:30.801481
- Title: Multiclass Anomaly Detection in GI Endoscopic Images using Optimized
Deep One-class Classification in an Imbalanced Dataset
- Title（参考訳）: 不均衡データセットにおける最適化深部1クラス分類を用いたGI内視鏡画像のマルチクラス異常検出
- Authors: Mohammad Reza Mohebbian, Seyed Shahim Vedaei, Khan A. Wahid and Paul
Babyn
- Abstract要約: ワイヤレスカプセル内視鏡は、医師が消化管を非侵襲的に検査するのに役立つ。
KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。
本研究では,一類分類器のアンサンブルを用いて異常を検出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wireless Capsule Endoscopy helps physicians examine the gastrointestinal (GI)
tract noninvasively, with the cost of generating many images. Many available
datasets, such as KID2 and Kvasir, suffer from imbalance issue which make it
difficult to train an effective artificial intelligence (AI) system. Moreover,
increasing number of classes makes the problem worse. In this study, an
ensemble of one-class classifiers is used for detecting anomaly. This method
focuses on learning single models using samples from only one class, and
ensemble all models for multiclass classification. A total of 1,778 normal, 227
inflammation, 303 vascular diseases, and 44 polyp images have been used from
the KID2 dataset. In the first step, deep features are extracted based on an
autoencoder architecture from the preprocessed images. Then, these features are
oversampled using Synthetic Minority Over-sampling Technique and clustered
using Ordering Points to Identify the Clustering Structure. To create one-class
classification model, the Support Vector Data Descriptions are trained on each
cluster with the help of Ant Colony Optimization, which is also used for tuning
clustering parameters for improving F1-score. This process is applied on each
classes and ensemble of final models used for multiclass classification. The
entire algorithm ran 5 times and obtained F1-score 96.3 +- 0.2% and
macro-average F1-score 85.0 +- 0.4%, for anomaly detection and multiclass
classification, respectively. The results are compared with GoogleNet, AlexNet,
Resnet50, VGG16 and other published algorithms, and demonstrate that the
proposed method is a competitive choice for multiclass class anomaly detection
in GI images.
- Abstract（参考訳）: ワイヤレスカプセル内視鏡(Wireless Capsule Endoscopy)は、医師が非侵襲的に消化管(GI)を検査するのに役立つ。
KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。
さらに、クラス数の増加は問題を悪化させる。
本研究では,一類分類器のアンサンブルを用いて異常を検出する。
本手法は,単一クラスからのサンプルのみを用いた単一モデル学習と,多クラス分類のための全モデルの統合に着目した。
正常1,778例,炎症227例,血管疾患303例,ポリープ画像44例がKID2データセットから得られた。
最初のステップでは、前処理された画像からオートエンコーダアーキテクチャに基づいて深い特徴を抽出する。
次に、これらの機能は、Synthetic Minority Over-Sampling Techniqueを使ってオーバーサンプリングされ、順序付けポイントを使用してクラスタリング構造を識別する。
1クラスの分類モデルを作成するために、サポートベクトルデータ記述は、F1スコアを改善するためのクラスタリングパラメータのチューニングにも使用されるAnt Colony Optimizationの助けを借りて、各クラスタでトレーニングされています。
このプロセスは、マルチクラス分類に使用される最終モデルの各クラスとアンサンブルに適用されます。
アルゴリズム全体が5回実行され、F1スコア96.3 +- 0.2%、マクロ平均85.0 +- 0.4%の異常検出とマルチクラス分類が得られた。
その結果、GoogleNet、AlexNet、Resnet50、VGG16などのアルゴリズムと比較し、提案手法がGI画像におけるマルチクラス異常検出の競合選択であることを示した。
関連論文リスト
- FUSECAPS: Investigating Feature Fusion Based Framework for Capsule Endoscopy Image Classification [0.0]
この研究は内視鏡画像の分類に強力な方法論を提供する。
本稿では、畳み込みニューラルネットワーク(CNN)、多層パーセプトロン(MLP)、放射能を組み合わせたハイブリッド特徴抽出法を提案する。
カプセル内視鏡ビデオフレーム分類作業において,76.2%の精度で検証を行った。
論文 参考訳（メタデータ） (2024-11-04T21:55:52Z) - Additional Look into GAN-based Augmentation for Deep Learning COVID-19
Image Classification [57.1795052451257]
我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。
両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。
GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
論文 参考訳（メタデータ） (2024-01-26T08:28:13Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease
Classification [31.539129126161978]
本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。
SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。
数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
論文 参考訳（メタデータ） (2022-07-03T16:06:04Z) - Deep embedded clustering algorithm for clustering PACS repositories [0.0]
我々は、ピクセルデータのみを用いた医用画像の完全教師なしクラスタリングの問題に取り組む。
私たちは3万枚の画像でモデルをトレーニングし、8000枚の画像からなる別のテストセットを使ってそれらをテストします。
論文 参考訳（メタデータ） (2022-06-24T05:57:49Z) - 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) - 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) - Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for
Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。
我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文 参考訳（メタデータ） (2021-08-21T08:41:41Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - SCAN: Learning to Classify Images without Labels [73.69513783788622]
機能学習とクラスタリングを分離する2段階のアプローチを提唱する。
表現学習からの自己教師型タスクを用いて意味論的意味のある特徴を得る。
我々は、ImageNet上で有望な結果を得、低データ体制下では、いくつかの半教師付き学習方法より優れています。
論文 参考訳（メタデータ） (2020-05-25T18:12:33Z) - Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。
本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。
2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-07T17:16:41Z)
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。