論文の概要: Semi-supervised learning for medical image classification using imbalanced training data

• arxiv url: http://arxiv.org/abs/2108.08956v1
• Date: Fri, 20 Aug 2021 01:06:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-23 13:37:00.005944
• Title: Semi-supervised learning for medical image classification using imbalanced training data
• Title（参考訳）: 不均衡トレーニングデータを用いた医用画像分類のための半教師付き学習
• Authors: Tri Huynh, Aiden Nibali and Zhen He
• Abstract要約: 本稿では,摂動型SSL方式における整合性損失の代替として,適応的Blended Consistency Loss (ABCL)を提案する。 ABCLは、クラス周波数に応じて、目標とする一貫性損失のクラス分布を適応的に混合してデータスキューに対処する。 ABCLを用いた実験により,2つの不均衡な医用画像分類データセットにおける非重み付き平均リコールの改善が示された。
• 参考スコア（独自算出の注目度）: 11.87832944550453
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical image classification is often challenging for two reasons: a lack of labelled examples due to expensive and time-consuming annotation protocols, and imbalanced class labels due to the relative scarcity of disease-positive individuals in the wider population. Semi-supervised learning (SSL) methods exist for dealing with a lack of labels, but they generally do not address the problem of class imbalance. In this study we propose Adaptive Blended Consistency Loss (ABCL), a drop-in replacement for consistency loss in perturbation-based SSL methods. ABCL counteracts data skew by adaptively mixing the target class distribution of the consistency loss in accordance with class frequency. Our experiments with ABCL reveal improvements to unweighted average recall on two different imbalanced medical image classification datasets when compared with existing consistency losses that are not designed to counteract class imbalance.
• Abstract（参考訳）: 医用画像分類は、高価で時間を要するアノテーションプロトコルによるラベル付き例の欠如と、より広い人口における疾患陽性個体の相対的不足によるクラスラベルの不均衡の2つの理由により、しばしば困難である。 ラベルの欠如を扱うための半教師付き学習(SSL)手法は存在するが、一般にクラス不均衡の問題には対処しない。 本研究では,摂動型SSL方式における整合性損失の代替として,適応的Blended Consistency Loss (ABCL)を提案する。 ABCLは、クラス周波数に応じて、目標とする一貫性損失のクラス分布を適応的に混合してデータスキューに対処する。 abclを用いた実験により,2つの不均衡医用画像分類データセットにおける非重み付け平均リコールの改善が,クラス不均衡対策として設計されていない既存の一貫性損失と比較して明らかにされた。

関連論文リスト

• Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
  不均衡の悪影響を軽減するために2つのプラグイン法を導入する。 まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。 第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
  論文  参考訳（メタデータ） (2024-07-18T17:59:44Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。 本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification [14.343079589464994]
  CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。 本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2023-07-29T13:38:19Z)
• SPLAL: Similarity-based pseudo-labeling with alignment loss for semi-supervised medical image classification [11.435826510575879]
  半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。 医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。 本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
  論文  参考訳（メタデータ） (2023-07-10T14:53:24Z)
• An Embarrassingly Simple Baseline for Imbalanced Semi-Supervised Learning [103.65758569417702]
  半教師付き学習(SSL)は、ラベルのないデータを活用してモデルのパフォーマンスを向上させるという大きな約束を示している。 我々は、ラベル付きデータとラベルなしデータの両方で不均衡なクラス分散が発生する不均衡SSLという、より現実的で困難な設定について検討する。 我々は、ラベル付きデータを擬似ラベルで単純に補うことで、データの不均衡に取り組む単純なベースライン、SimiSについて研究する。
  論文  参考訳（メタデータ） (2022-11-20T21:18:41Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification [55.703445291264]
  不均衡トレーニングデータは、医用画像分類において重要な課題である。 クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。 PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
  論文  参考訳（メタデータ） (2022-07-11T11:43:51Z)
• Phased Progressive Learning with Coupling-Regulation-Imbalance Loss for Imbalanced Classification [11.673344551762822]
  ディープニューラルネットワークは、一般に、異なるクラス間の量不均衡と分類困難の不均衡に苦しむデータセットで性能が良くない。 表象学習から上位クラス化学習への学習強調を円滑に伝達する段階的な進行学習スケジュールが提案された。 私たちのコードはまもなくオープンソースになります。
  論文  参考訳（メタデータ） (2022-05-24T14:46:39Z)
• ACPL: Anti-curriculum Pseudo-labelling forSemi-supervised Medical Image Classification [22.5935068122522]
  我々は、反キュリキュラム擬似ラベリング(ACPL)と呼ばれる新しいSSLアルゴリズムを提案する。 ACPLは、情報のないサンプルを選択するための新しいテクニックを導入し、トレーニングバランスを改善し、マルチラベルとマルチクラスの両方でモデルが動作できるようにする。 本手法は, 従来のSOTA SSL方式よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-25T05:31:52Z)
• PLM: Partial Label Masking for Imbalanced Multi-label Classification [59.68444804243782]
  長いラベルの分布を持つ実世界のデータセットで訓練されたニューラルネットワークは、頻繁なクラスに偏りがあり、頻繁なクラスでは不十分である。 本稿では,この比率を利用したPLM(Partial Label Masking)を提案する。 本手法は,マルチラベル (MultiMNIST と MSCOCO) とシングルラベル (CIFAR-10 と CIFAR-100) の2つの画像分類データセットにおいて,既存の手法と比較して高い性能を実現する。
  論文  参考訳（メタデータ） (2021-05-22T18:07:56Z)
• Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
  Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
  論文  参考訳（メタデータ） (2020-07-17T09:16:05Z)

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。