論文の概要: Is Image Size Important? A Robustness Comparison of Deep Learning Methods for Multi-scale Cell Image Classification Tasks: from Convolutional Neural Networks to Visual Transformers

• arxiv url: http://arxiv.org/abs/2105.07402v1
• Date: Sun, 16 May 2021 10:37:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:47:06.665970
• Title: Is Image Size Important? A Robustness Comparison of Deep Learning Methods for Multi-scale Cell Image Classification Tasks: from Convolutional Neural Networks to Visual Transformers
• Title（参考訳）: 画像サイズは重要か? マルチスケールセル画像分類タスクにおける深層学習手法のロバスト性比較:畳み込みニューラルネットワークから視覚変換器へ
• Authors: Wanli Liu, Chen Li, Hongzan Sun, Weiming Hu, Haoyuan Chen, Changhao Sun, Marcin Grzegorzek
• Abstract要約: 子宮頸癌は女性の非常に一般的で致命的な癌です。 深層学習に基づくコンピュータ支援診断システムを開発した。 深層学習法は画像のサイズ変化に対して非常に堅牢である。
• 参考スコア（独自算出の注目度）: 26.332581336088005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cervical cancer is a very common and fatal cancer in women, but it can be prevented through early examination and treatment. Cytopathology images are often used to screen for cancer. Then, because of the possibility of artificial errors due to the large number of this method, the computer-aided diagnosis system based on deep learning is developed. The image input required by the deep learning method is usually consistent, but the size of the clinical medical image is inconsistent. The internal information is lost after resizing the image directly, so it is unreasonable. A lot of research is to directly resize the image, and the results are still robust. In order to find a reasonable explanation, 22 deep learning models are used to process images of different scales, and experiments are conducted on the SIPaKMeD dataset. The conclusion is that the deep learning method is very robust to the size changes of images. This conclusion is also validated on the Herlev dataset.
• Abstract（参考訳）: 子宮頸癌は女性にとって非常に一般的で致命的ながんであるが、早期検査や治療によって予防することができる。 細胞病理画像はがんのスクリーニングによく用いられる。 そこで,本手法の多用による人工的誤りの可能性から,深層学習に基づくコンピュータ支援診断システムを開発した。 深層学習法で求められる画像入力は通常一貫性があるが,臨床医用画像のサイズは一致しない。 画像のリサイズ後に内部情報が失われるので、不合理である。 多くの研究は、画像を直接サイズ変更することであり、結果はまだ堅牢である。 合理的な説明を得るために、22のディープラーニングモデルを用いて異なるスケールの画像を処理し、SIPaKMeDデータセット上で実験を行う。 その結果,深層学習法は画像のサイズ変化に対して非常に頑健であることがわかった。 この結論はHerlevデータセットでも検証されている。

関連論文リスト

• CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
  CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。 我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
  論文  参考訳（メタデータ） (2024-08-09T09:08:06Z)
• Detecting Generated Images by Real Images Only [64.12501227493765]
  既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。 本稿では,新たな視点から生成した画像検出問題にアプローチする。 実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
  論文  参考訳（メタデータ） (2023-11-02T03:09:37Z)
• Are Deep Learning Classification Results Obtained on CT Scans Fair and Interpretable? [0.0]
  ほとんどの肺結節分類論文は、ディープラーニングを用いてランダムにシャッフルし、それをトレーニング、検証、テストセットに分割する。 対照的に、厳密な患者レベルの分離で訓練されたディープニューラルネットワークは、新しい患者画像が検査された場合でも、正確性を維持する。 厳密な患者レベルの分離で訓練されたディープニューラルネットワークの活性化のヒートマップの可視化は、関連する結節に対する集中度が高いことを示している。
  論文  参考訳（メタデータ） (2023-09-22T05:57:25Z)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Automatically Score Tissue Images Like a Pathologist by Transfer Learning [0.0]
  病理学者は、腫瘍を識別するために手動で組織マイクロアレイ(TMA)画像を見る必要がある。 最大の課題は、異なる形状、サイズ、位置のTMAイメージが同じスコアを持つことだ。 本稿では,複数の問題から学習できる新しい移動学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-09T23:18:31Z)
• BCNet: A Deep Convolutional Neural Network for Breast Cancer Grading [0.0]
  近年、深層学習は科学の様々な分野、特に医学で広く採用されている。 乳がん検出問題では、異なるデータセット上で様々なディープラーニング技術が開発され、精度が向上した。
  論文  参考訳（メタデータ） (2021-07-11T12:55:33Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Method to Classify Skin Lesions using Dermoscopic images [0.0]
  皮膚がんは、がん患者の3分の1を構成する既存の世界でもっとも一般的ながんである。 そこで本研究では,CNN(Convolution Neural Networks)をトレーニングモデルとして,皮膚画像を用いた皮膚病変の自動分類モデルを開発した。 このモデルが達成できる最良の精度は0.886である。
  論文  参考訳（メタデータ） (2020-08-21T10:58:33Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
  ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。 放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。 また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
  論文  参考訳（メタデータ） (2020-03-23T01:26:36Z)

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。