論文の概要: Mixing-AdaSIN: Constructing a de-biased dataset using Adaptive
Structural Instance Normalization and texture Mixing
- arxiv url: http://arxiv.org/abs/2103.14255v1
- Date: Fri, 26 Mar 2021 04:40:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 12:33:33.312196
- Title: Mixing-AdaSIN: Constructing a de-biased dataset using Adaptive
Structural Instance Normalization and texture Mixing
- Title(参考訳): Mixing-AdaSIN:Adaptive Structure Instance normalization and texture Mixingを用いた非バイアスデータセットの構築
- Authors: Myeongkyun Kang, Philip Chikontwe, Miguel Luna, Kyung Soo Hong, June
Hong Ahn, Sang Hyun Park
- Abstract要約: 本論文では,生成モデルを用いたバイアス低減手法であるMixing-AdaSINを提案する。
本手法の有効性を示すため,細菌性肺炎データセットに対するバイアス付きCOVID-19を構築した。
- 参考スコア(独自算出の注目度): 6.976822832216875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Following the pandemic outbreak, several works have proposed to diagnose
COVID-19 with deep learning in computed tomography (CT); reporting performance
on-par with experts. However, models trained/tested on the same in-distribution
data may rely on the inherent data biases for successful prediction, failing to
generalize on out-of-distribution samples or CT with different scanning
protocols. Early attempts have partly addressed bias-mitigation and
generalization through augmentation or re-sampling, but are still limited by
collection costs and the difficulty of quantifying bias in medical images. In
this work, we propose Mixing-AdaSIN; a bias mitigation method that uses a
generative model to generate de-biased images by mixing texture information
between different labeled CT scans with semantically similar features. Here, we
use Adaptive Structural Instance Normalization (AdaSIN) to enhance de-biasing
generation quality and guarantee structural consistency. Following, a
classifier trained with the generated images learns to correctly predict the
label without bias and generalizes better. To demonstrate the efficacy of our
method, we construct a biased COVID-19 vs. bacterial pneumonia dataset based on
CT protocols and compare with existing state-of-the-art de-biasing methods. Our
experiments show that classifiers trained with de-biased generated images
report improved in-distribution performance and generalization on an external
COVID-19 dataset.
- Abstract(参考訳): 新型コロナウイルスのパンデミック後、いくつかの研究で、CT(Computed tomography)の深層学習による新型コロナウイルスの診断が提案されている。
しかし、同じ分布内データでトレーニング/テストされたモデルは、予測を成功させるために固有のデータバイアスに依存し、異なる走査プロトコルで分布外サンプルやCTを一般化できない可能性がある。
初期の試みは、拡張や再サンプリングによるバイアス緩和と一般化に部分的に対処してきたが、それでも医療画像におけるバイアスの定量化の困難さと収集コストによって制限されている。
本研究では,異なるラベル付きCTスキャンのテクスチャ情報を意味的に類似した特徴と組み合わせることで,生成モデルを用いてデバイアス画像を生成するバイアス緩和手法であるMixing-AdaSINを提案する。
ここでは,アダプティブ構造インスタンス正規化(adasin)を用いて,デバイアス生成品質の向上と構造整合性の保証を行う。
次に、生成された画像で訓練された分類器は、バイアスなくラベルを正確に予測し、より一般化する。
本手法の有効性を実証するために,CTプロトコルに基づく新型コロナウイルスと細菌性肺炎データセットの偏りと,既存の最先端脱バイアス法との比較を行った。
実験の結果,非バイアス画像で訓練した分類器は,外部のCOVID-19データセット上での分布性能と一般化を改善した。
関連論文リスト
- Debiasing Classifiers by Amplifying Bias with Latent Diffusion and Large Language Models [9.801159950963306]
DiffuBiasはテキスト・画像生成のための新しいパイプラインであり、バイアス・コンフリクト・サンプルを生成することで分類器の堅牢性を高める。
DrouBiasは、安定拡散モデルを活用する最初のアプローチである。
総合実験により,DiffuBiasがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2024-11-25T04:11:16Z) - Fair Text to Medical Image Diffusion Model with Subgroup Distribution Aligned Tuning [15.228147848600877]
医用画像へのテキスト・トゥ・メディカル・イメージ (T2MedI) の潜伏拡散モデルは, 医用画像データの不足を緩和する大きな可能性を秘めている。
しかし、自然画像モデルへのテキストとして、T2MedIモデルは一部のサブグループにも偏りがあり、トレーニングセットの少数派を見渡すことができる。
そこで本研究では,まず,CLIPテキストエンコーダを固定した,事前学習型 Imagen モデルに基づく T2MedI モデルを構築した。
そのデコーダは、C.のRadiology Objectsの医療画像に微調整されている。
論文 参考訳(メタデータ) (2024-06-21T03:23:37Z) - GLAD: Towards Better Reconstruction with Global and Local Adaptive Diffusion Models for Unsupervised Anomaly Detection [60.78684630040313]
拡散モデルは、特定のノイズを付加したテスト画像の通常の画像を再構成する傾向がある。
世界的視点から見ると、異なる異常による画像再構成の難しさは不均一である。
本稿では,非教師付き異常検出のためのグローバルかつ局所的な適応拡散モデル(GLADと略す)を提案する。
論文 参考訳(メタデータ) (2024-06-11T17:27:23Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。
本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。
DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2022-12-11T06:16:14Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳(メタデータ) (2022-12-02T07:31:39Z) - DeepTechnome: Mitigating Unknown Bias in Deep Learning Based Assessment
of CT Images [44.62475518267084]
私たちは、未知のバイアスに対するトレーニング中にディープラーニングモデルをデバイアスします。
制御領域は、バイアスに関する情報を伝達する代理として使用します。
強いバイアスを示すデータから学習する手法を応用し、対応する偏りのないデータを用いたトレーニングで観測された分類性能をほぼ完全に回復する。
論文 参考訳(メタデータ) (2022-05-26T12:18:48Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳(メタデータ) (2021-12-20T14:47:32Z) - Evaluating and Mitigating Bias in Image Classifiers: A Causal
Perspective Using Counterfactuals [27.539001365348906]
本稿では、逆学習推論(ALI)の改良版に構造因果モデル(SCM)を組み込むことにより、逆ファクトアルを生成する方法を提案する。
本稿では,事前学習された機械学習分類器の説明方法を示し,そのバイアスを評価し,そのバイアスを正則化器を用いて緩和する方法について述べる。
論文 参考訳(メタデータ) (2020-09-17T13:19:31Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。