論文の概要: Multi-loss ensemble deep learning for chest X-ray classification
- arxiv url: http://arxiv.org/abs/2109.14433v1
- Date: Wed, 29 Sep 2021 14:14:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 17:46:51.876008
- Title: Multi-loss ensemble deep learning for chest X-ray classification
- Title（参考訳）: 胸部X線分類のためのマルチロスアンサンブル深層学習
- Authors: Sivaramakrishnan Rajaraman, Ghada Zamzmi, Sameer Antani
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.8594140167290096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Class imbalance is common in medical image classification tasks, where the
number of abnormal samples is fewer than the number of normal samples. The
difficulty of imbalanced classification is compounded by other issues such as
the size and distribution of the dataset. Reliable training of deep neural
networks continues to be a major challenge in such class-imbalanced conditions.
The loss function used to train the deep neural networks highly impact the
performance of both balanced and imbalanced tasks. Currently, the cross-entropy
loss remains the de-facto loss function for balanced and imbalanced
classification tasks. This loss, however, asserts equal learning to all
classes, leading to the classification of most samples as the majority normal
class. To provide a critical analysis of different loss functions and identify
those suitable for class-imbalanced classification, we benchmark various
state-of-the-art loss functions and propose novel loss functions to train a DL
model and analyze its performance in a multiclass classification setting that
classifies pediatric chest X-rays as showing normal lungs, bacterial pneumonia,
or viral pneumonia manifestations. We also construct prediction-level and
model-level ensembles of the models that are trained with various loss
functions to improve classification performance. We performed localization
studies to interpret model behavior to ensure that the individual models and
their ensembles precisely learned the regions of interest showing disease
manifestations to classify the chest X-rays to their respective categories.
- Abstract（参考訳）: クラス不均衡は、異常なサンプルの数が通常のサンプルの数より少ない医療画像分類タスクにおいて一般的である。
不均衡な分類の難しさは、データセットのサイズや分布といった他の問題によって複合化される。
ディープニューラルネットワークの信頼性の高いトレーニングは、このようなクラス不均衡な状況における大きな課題であり続けている。
ディープニューラルネットワークのトレーニングに使用される損失関数は、バランスの取れたタスクと不均衡なタスクの両方のパフォーマンスに大きな影響を与えます。
現在、クロスエントロピー損失は、バランスと非バランスの分類タスクのデファクト損失関数として残っている。
しかし、この損失は全てのクラスに等しい学習を主張し、ほとんどのサンプルを多数正規クラスとして分類する。
各種の損失関数を分類し, クラス不均衡分類に適したものを特定するために, DLモデルを訓練するための新しい損失関数を提案し, 正常な肺, 肺炎, ウイルス性肺炎の徴候を示すため, 小児胸部X線を分類する多クラス分類設定においてその性能を解析する。
また,様々な損失関数で訓練されたモデルの予測レベルおよびモデルレベルアンサンブルを構築し,分類性能を向上させる。
そこで本研究では,各モデルとそのアンサンブルが,胸部X線をそれぞれのカテゴリに分類するために,病状を示す領域を正確に学習するために,モデル行動の解釈のための局所化研究を行った。
関連論文リスト
- Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-03-13T10:51:18Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Unleashing the power of Neural Collapse for Transferability Estimation [42.09673383041276]
よく訓練されたモデルは神経崩壊の現象を示す。
本稿では、転送可能性推定のためのFair Collapse(FaCe)と呼ばれる新しい手法を提案する。
FaCeは、画像分類、セマンティックセグメンテーション、テキスト分類など、さまざまなタスクにおける最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2023-10-09T14:30:10Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-08-04T09:11:07Z) - Imbalanced Nodes Classification for Graph Neural Networks Based on
Valuable Sample Mining [9.156427521259195]
不均衡問題に対する従来のアルゴリズムレベルのアプローチに基づいて、新たな損失関数FD-Lossを再構成する。
我々の損失関数は、ノード分類タスクの既存の手法と比較して、サンプルノードの不均衡を効果的に解決し、分類精度を4%向上させることができる。
論文 参考訳（メタデータ） (2022-09-18T09:22:32Z) - 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) - 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) - The Effect of the Loss on Generalization: Empirical Study on Synthetic
Lung Nodule Data [13.376247652484274]
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。
論文 参考訳（メタデータ） (2021-08-10T17:58:01Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - An Aggregate Method for Thorax Diseases Classification [0.0]
胸部疾患分類問題に対する深部ネットワークトレーニングのための重み計算アルゴリズムと,最先端の深部ネットワークアーキテクチャを用いたトレーニング最適化を組み合わせたアプローチを提案する。
ケストX線画像データセットの実験結果から,この新しい重み付け方式により分類性能が向上することが示された。
論文 参考訳（メタデータ） (2020-08-07T06:36:07Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。