論文の概要: Out of distribution detection for skin and malaria images
- arxiv url: http://arxiv.org/abs/2111.01505v1
- Date: Tue, 2 Nov 2021 11:16:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 19:30:28.567359
- Title: Out of distribution detection for skin and malaria images
- Title(参考訳): 皮膚およびマラリア画像の分布検出の欠如
- Authors: Muhammad Zaida, Shafaqat Ali, Mohsen Ali, Sarfaraz Hussein, Asma
Saadia, and Waqas Sultani
- Abstract要約: トレーニング中にラベル付きOoDサンプルにアクセスすることなく,皮膚およびマラリア画像中のOoDサンプルを堅牢に分類する手法を提案する。
私たちは、メトリクス学習とロジスティック回帰を使って、ディープネットワークにもっとリッチなクラス代表機能を学ぶように強制します。
TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%, TNR@TPR95%をそれぞれ改善した。
- 参考スコア(独自算出の注目度): 5.37275632397777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural networks have shown promising results in disease detection and
classification using medical image data. However, they still suffer from the
challenges of handling real-world scenarios especially reliably detecting
out-of-distribution (OoD) samples. We propose an approach to robustly classify
OoD samples in skin and malaria images without the need to access labeled OoD
samples during training. Specifically, we use metric learning along with
logistic regression to force the deep networks to learn much rich class
representative features. To guide the learning process against the OoD
examples, we generate ID similar-looking examples by either removing
class-specific salient regions in the image or permuting image parts and
distancing them away from in-distribution samples. During inference time, the
K-reciprocal nearest neighbor is employed to detect out-of-distribution
samples. For skin cancer OoD detection, we employ two standard benchmark skin
cancer ISIC datasets as ID, and six different datasets with varying difficulty
levels were taken as out of distribution. For malaria OoD detection, we use the
BBBC041 malaria dataset as ID and five different challenging datasets as out of
distribution. We achieved state-of-the-art results, improving 5% and 4% in
TNR@TPR95% over the previous state-of-the-art for skin cancer and malaria OoD
detection respectively.
- Abstract(参考訳): 深層ニューラルネットワークは、医療画像データを用いた疾患の検出と分類において有望な結果を示している。
しかし、現実世界のシナリオ、特にOoD(out-of-distriion)サンプルを確実に検出することの難しさに苦しむ。
トレーニング中にラベル付きOoDサンプルにアクセスすることなく,皮膚およびマラリア画像中のOoDサンプルを堅牢に分類する手法を提案する。
具体的には、メトリクス学習とロジスティック回帰を用いて、ディープネットワークにもっとリッチなクラス代表機能を学ぶように強制する。
OoDの例に対して学習過程をガイドするために、画像中のクラス固有な局所領域を除去するか、画像部品を置換し、分布内サンプルから切り離してID類似の例を生成する。
推定時間中、K-相反隣人は分布外サンプルを検出するために使用される。
皮膚がんのOoD検出には,標準の2つのISICデータセットをIDとして使用し,難易度が異なる6つのデータセットを分布外とした。
マラリア OoD の検出には,BBBC041 のマラリアデータセットを ID として,分布から5つの課題データセットを抽出する。
その結果,tnr@tpr95%の5%と4%が皮膚癌とマラリアood検出に比較して改善した。
関連論文リスト
- An analysis of data variation and bias in image-based dermatological datasets for machine learning classification [2.039829968340841]
臨床皮膚学では、分類モデルはRGB画像のみを入力として、患者の皮膚の悪性病変を検出することができる。
学習に基づくほとんどの手法では、トレーニングにおいて皮膚科のデータセットから取得したデータを用いており、これは金の基準によって大きく検証されている。
本研究の目的は,皮膚内視鏡検査と臨床検査のギャップを評価し,データセットの変動がトレーニングに与える影響を理解することである。
論文 参考訳(メタデータ) (2025-01-15T17:18:46Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳(メタデータ) (2024-08-15T13:26:13Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - cOOpD: Reformulating COPD classification on chest CT scans as anomaly
detection using contrastive representations [0.6733204971296001]
cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。
生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。
AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
論文 参考訳(メタデータ) (2023-07-14T10:05:37Z) - Sample hardness based gradient loss for long-tailed cervical cell
detection [40.503143547742866]
本稿では,各試料の硬度を異なるカテゴリで動的に調整するaGrad-Libra Lossを提案する。
我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。
論文 参考訳(メタデータ) (2022-08-07T17:52:29Z) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳(メタデータ) (2022-05-28T02:02:53Z) - In-distribution adversarial attacks on object recognition models using gradient-free search [27.17685074149947]
本稿では,ネットワークが分類に失敗するトレーニングデータ配信における摂動画像の証拠を示す。
パラメトリック分布から抽出したデータに基づいてモデルをトレーニングし、そのデータ分布内を探索して、そのような非分布逆例を見つける。
Findingsはまた、ImageNetとCo3Dデータセットからの自然なイメージにも拡張されている。
論文 参考訳(メタデータ) (2021-06-30T16:49:19Z) - Out-of-Distribution Detection in Dermatology using Input Perturbation
and Subset Scanning [5.674998177844528]
現在の皮膚疾患モデルでは、異なるハードウェアデバイスや臨床機器からの検査サンプルの誤った推測が可能である。
決定に先立って,これらのOODサンプルを簡易かつ効果的に検出する手法を提案する。
論文 参考訳(メタデータ) (2021-05-24T09:04:47Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。