論文の概要: Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification
- arxiv url: http://arxiv.org/abs/2110.02222v1
- Date: Tue, 5 Oct 2021 06:28:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-07 14:32:24.892612
- Title: Hybrid Classical-Quantum method for Diabetic Foot Ulcer Classification
- Title(参考訳): 糖尿病足部潰瘍分類のためのハイブリッド古典量子法
- Authors: Azadeh Alavi and Hossein Akhoundi
- Abstract要約: 糖尿病は世界中で多くの人に影響を与えている。
このような潰瘍を感染症、虚血、ヌーネ、感染症のいずれかに分類できる必要がある。
- 参考スコア(独自算出の注目度): 0.45687771576879593
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Diabetes is a raising problem that affects many people globally. Diabetic
patients are at risk of developing foot ulcer that usually leads to limb
amputation, causing significant morbidity, and psychological distress. In order
to develop a self monitoring mobile application, it is necessary to be able to
classify such ulcers into either of the following classes: Infection,
Ischaemia, None, or Both. In this work, we compare the performance of a
classical transfer-learning-based method, with the performance of a hybrid
classical-quantum Classifier on diabetic foot ulcer classification task. As
such, we merge the pre-trained Xception network with a multi-class variational
classifier. Thus, after modifying and re-training the Xception network, we
extract the output of a mid-layer and employ it as deep-features presenters of
the given images. Finally, we use those deep-features to train multi-class
variational classifier, where each classifier is implemented on an individual
variational circuit. The method is then evaluated on the blind test set
DFUC2021. The results proves that our proposed hybrid classical-quantum
Classifier leads to considerable improvement compared to solely relying on
transfer learning concept through training the modified version of Xception
network.
- Abstract(参考訳): 糖尿病は世界中で多くの人に影響を与えている。
糖尿病患者は、通常手足の切断につながる足の潰瘍を発症する危険性があり、致命傷や心理的苦痛を引き起こす。
自己監視型モバイルアプリケーションを開発するためには,これらの潰瘍を感染性,虚血性,無症,あるいはその両方に分類する必要がある。
本研究は,糖尿病性足部潰瘍分類作業における古典的移動学習法の性能と,ハイブリッドな古典的量子分類器の性能を比較した。
したがって、事前学習されたxceptionネットワークをマルチクラス変分分類器にマージする。
そこで,Xception ネットワークを修正・再訓練した後,中間層の出力を抽出し,与えられた画像の深層表現として利用する。
最後に、これらの深層特徴を用いて多クラス変分分類器を訓練し、各分類器を個々の変分回路上に実装する。
次に、この手法をブラインドテストセットDFUC2021で評価する。
その結果,提案手法は,xception networkの修正版をトレーニングすることで,トランスファー学習の概念のみに依存することに比べ,相当な改善が得られた。
関連論文リスト
- Topological Augmentation for Class-Imbalanced Node Classification [64.20437487896343]
探索下トポロジ中心の視点から,クラス不均衡バイアスの源泉について検討した。
そこで我々は, アンビバシアン/ディスタントメッセージパッシングの影響を受けやすいノードを動的に修正する, 軽量なトポロジカル拡張手法TOBAを考案した。
ToBAはモデルに依存しない、効率的で多用途なソリューションであり、シームレスに組み合わせて、他の不均衡処理技術をさらに促進することができる。
論文 参考訳(メタデータ) (2023-08-27T19:01:29Z) - Transfer-Ensemble Learning based Deep Convolutional Neural Networks for
Diabetic Retinopathy Classification [0.7614628596146599]
本稿では,糖尿病性網膜症 (DR) を,VGG16 と Inception V3 の2つのよく訓練された畳み込みニューラルネットワークに基づくアンサンブルアプローチを用いて,5つのクラスに分類することを目的とする。
実験結果から,DR分類におけるアンサンブルモデルの有効性が96.4%の精度で示された。
論文 参考訳(メタデータ) (2023-08-01T13:07:39Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - Test-time Adaptation with Calibration of Medical Image Classification
Nets for Label Distribution Shift [24.988087560120366]
医用画像分類のためのラベルシフトに最初に取り組む手法を提案する。
本手法は,1つのトレーニングラベル分布から学習したモデルを任意の未知のテストラベル分布に効果的に適用する。
肝線維症ステージングと重症度予測の2つの重要な医用画像分類タスクについて,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-07-02T07:55:23Z) - 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) - 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) - Variational Feature Disentangling for Fine-Grained Few-Shot
Classification [30.350307891161865]
ファインファインショット認識はしばしば、新しいカテゴリのデータの不足を訓練する問題に悩まされる。
本稿では,未確認クラスのクラス内ばらつきを増大させ,少ショット分類性能を向上させることに焦点を当てる。
論文 参考訳(メタデータ) (2020-10-07T08:13:42Z) - Classification of Diabetic Retinopathy via Fundus Photography:
Utilization of Deep Learning Approaches to Speed up Disease Detection [0.0]
糖尿病網膜症分類問題に対する2つの解決策を提案する。
最初のアプローチでは、浅いニューラルネットワークアーキテクチャを導入します。
第2のアプローチでは、トランスファーラーニングを使用して、非常に深いニューラルネットワークの最後の修正されたレイヤを再トレーニングし、より頻度の低いクラスへのモデルの能力を改善する。
論文 参考訳(メタデータ) (2020-07-18T17:11:20Z) - Learning from Failure: Training Debiased Classifier from Biased
Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。
本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。
本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文 参考訳(メタデータ) (2020-07-06T07:20:29Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2020-04-14T22:46:20Z) - Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。
これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。
画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-31T06:03:51Z)
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。