論文の概要: Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image Classification

• arxiv url: http://arxiv.org/abs/2111.10620v1
• Date: Sat, 20 Nov 2021 16:14:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 16:50:58.803094
• Title: Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image Classification
• Title（参考訳）: 不均衡医用画像分類のための医学知識誘導深層学習
• Authors: Long Gao, Chang Liu, Dooman Arefan, Ashok Panigrahy, Margarita L. Zuley, Shandong Wu
• Abstract要約: モデルの性能を高めるために,医療知識に基づく一級分類手法を提案する。 不均衡画像分類のための深層学習に基づく一クラス分類パイプラインを設計する。 6つの最先端手法と比較して,優れたモデル性能を示す。
• 参考スコア（独自算出の注目度）: 3.9745217005532183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have gained remarkable performance on a variety of image classification tasks. However, many models suffer from limited performance in clinical or medical settings when data are imbalanced. To address this challenge, we propose a medical-knowledge-guided one-class classification approach that leverages domain-specific knowledge of classification tasks to boost the model's performance. The rationale behind our approach is that some existing prior medical knowledge can be incorporated into data-driven deep learning to facilitate model learning. We design a deep learning-based one-class classification pipeline for imbalanced image classification, and demonstrate in three use cases how we take advantage of medical knowledge of each specific classification task by generating additional middle classes to achieve higher classification performances. We evaluate our approach on three different clinical image classification tasks (a total of 8459 images) and show superior model performance when compared to six state-of-the-art methods. All codes of this work will be publicly available upon acceptance of the paper.
• Abstract（参考訳）: ディープラーニングモデルは、さまざまな画像分類タスクで著しくパフォーマンスが向上した。 しかし、多くのモデルでは、データが不均衡である場合、臨床や医療の状況で性能が低下する。 この課題に対処するために、分類タスクのドメイン固有の知識を活用してモデルの性能を高める医療知識に基づく一級分類手法を提案する。 このアプローチの背景にある根拠は、既存の医学知識の一部がデータ駆動ディープラーニングに組み込まれ、モデル学習が容易になるということです。 本研究では,不均衡画像分類のための深層学習型1クラス分類パイプラインの設計を行い,さらに中間クラスを生成し,高い分類性能を達成することにより,各分類タスクの医学的知識をどのように活用するかを3つのユースケースで示す。 3つの異なる臨床画像分類タスク(合計8459画像)に対するアプローチを評価し,6つの最先端手法と比較して優れたモデル性能を示す。 この作業のすべてのコードは、論文の受理時に公開される。

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)
• PCDAL: A Perturbation Consistency-Driven Active Learning Approach for Medical Image Segmentation and Classification [12.560273908522714]
  監視された学習は、医用画像のアプリケーションを取得するのに費用がかかり、時間がかかり、実用的でない、大規模な注釈付きデータに大きく依存している。 アクティブラーニング(AL)手法は、アノテーションのコストを削減するために、自然な画像分類タスクに広く応用されている。 本稿では,2次元医用画像分類,セグメンテーション,および3次元医用画像分割タスクに同時に適用可能なALベースの手法を提案する。
  論文  参考訳（メタデータ） (2023-06-29T13:11:46Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• HMIC: Hierarchical Medical Image Classification, A Deep Learning Approach [0.3250512744763586]
  本稿では,医療画像分類の課題と異なり,課題をマルチクラス分類とみなすアプローチを概説する。 階層的医用画像分類(HMIC)を用いた階層的分類を行った。
  論文  参考訳（メタデータ） (2020-06-12T15:15:29Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。