論文の概要: The Effect of the Loss on Generalization: Empirical Study on Synthetic Lung Nodule Data

• arxiv url: http://arxiv.org/abs/2108.04815v1
• Date: Tue, 10 Aug 2021 17:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 14:19:26.313173
• Title: The Effect of the Loss on Generalization: Empirical Study on Synthetic Lung Nodule Data
• Title（参考訳）: 損失が一般化に及ぼす影響:合成肺結節データに関する実証的研究
• Authors: Vasileios Baltatzis, Loic Le Folgoc, Sam Ellis, Octavio E. Martinez Manzanera, Kyriaki-Margarita Bintsi, Arjun Nair, Sujal Desai, Ben Glocker, Julia A. Schnabel
• Abstract要約: 異なる損失関数が学習される特徴に結びつき、その結果、未確認データに対する分類器の一般化能力に影響を及ぼすことを示す。 本研究は、医用画像処理タスクのためのディープラーニングソリューションの設計に関する重要な知見を提供する。
• 参考スコア（独自算出の注目度）: 13.376247652484274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional Neural Networks (CNNs) are widely used for image classification in a variety of fields, including medical imaging. While most studies deploy cross-entropy as the loss function in such tasks, a growing number of approaches have turned to a family of contrastive learning-based losses. Even though performance metrics such as accuracy, sensitivity and specificity are regularly used for the evaluation of CNN classifiers, the features that these classifiers actually learn are rarely identified and their effect on the classification performance on out-of-distribution test samples is insufficiently explored. In this paper, motivated by the real-world task of lung nodule classification, we investigate the features that a CNN learns when trained and tested on different distributions of a synthetic dataset with controlled modes of variation. We show that different loss functions lead to different features being learned and consequently affect the generalization ability of the classifier on unseen data. This study provides some important insights into the design of deep learning solutions for medical imaging tasks.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、医療画像を含む様々な分野で画像分類に広く用いられている。 多くの研究は、このようなタスクで損失関数としてクロスエントロピーを展開しているが、多くのアプローチが対照的な学習に基づく損失のファミリーへと変化している。 CNN分類器の評価には, 精度, 感度, 特異性などの性能指標が定期的に用いられているが, これらの分類器が実際に学習する特徴は滅多に同定されず, 分布外試験試料に対する分類性能への影響が不十分である。 本稿では,肺結節分類の現実的な課題を動機として,CNNが学習した特徴を,変動の制御された合成データセットの異なる分布で学習し,検証した。 異なる損失関数が学習される特徴に結びつき、その結果、未確認データに対する分類器の一般化能力に影響を及ぼすことを示す。 本研究は,医用イメージングタスクのための深層学習ソリューションの設計に関する重要な知見を提供する。

関連論文リスト

• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Data Augmentation using Feature Generation for Volumetric Medical Images [0.08594140167290097]
  医用画像分類は画像認識領域で最も重要な問題の一つである。 この分野での大きな課題の1つは、ラベル付きトレーニングデータの不足である。 特にディープラーニングモデルでは,画像のセグメンテーションや分類問題に関する有望な結果が示されている。
  論文  参考訳（メタデータ） (2022-09-28T13:46:24Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)
• Skin lesion segmentation and classification using deep learning and handcrafted features [0.0]
  我々は、ハイブリッド機能と呼ばれる新しいタイプの画像特徴を作成し、単一のメソッド機能よりも識別能力が強い。 我々のモデルは92.3%のバランスの取れたマルチクラス精度を実現しており、これはディープラーニングのための典型的な単一手法アーキテクチャよりも6.8%良い。
  論文  参考訳（メタデータ） (2021-12-20T02:45:42Z)
• Multi-loss ensemble deep learning for chest X-ray classification [0.8594140167290096]
  クラス不均衡は、異常サンプルの数が正常サンプルの数より少ない医療画像分類タスクでよく見られる。 本稿では,DLモデルを訓練し,その性能を多クラス分類設定で解析する新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2021-09-29T14:14:04Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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)
• Contraction Mapping of Feature Norms for Classifier Learning on the Data with Different Quality [5.47982638565422]
  本稿では,訓練画像の特徴規範の範囲を品質に応じて圧縮する縮約写像関数を提案する。 手書き文字認識、肺結節分類、顔認証、顔認識など、様々な分類応用の実験は、提案手法が有望であることを実証している。
  論文  参考訳（メタデータ） (2020-07-27T09:53:55Z)

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。