論文の概要: Boosting EfficientNets Ensemble Performance via Pseudo-Labels and Synthetic Images by pix2pixHD for Infection and Ischaemia Classification in Diabetic Foot Ulcers

• arxiv url: http://arxiv.org/abs/2112.00065v1
• Date: Tue, 30 Nov 2021 19:42:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 14:03:29.654687
• Title: Boosting EfficientNets Ensemble Performance via Pseudo-Labels and Synthetic Images by pix2pixHD for Infection and Ischaemia Classification in Diabetic Foot Ulcers
• Title（参考訳）: pix2pixHDによる糖尿病性下腿潰瘍の感染・虚血分類におけるPseudo-LabelsとSynthetic Imagesによる効率向上
• Authors: Louise Bloch, Raphael Br\"ungel, Christoph M. Friedrich
• Abstract要約: 本研究は,2021年糖尿病足部潰瘍チャレンジ(DFUC)の一環として実施した感染症と虚血の分類について検討した。 結果として得られたトレーニングデータセットは、ベースラインの8.68ドルのサイズを特徴としている。 ベースラインと拡張トレーニングデータセットに基づいてトレーニングされたモデルとアンサンブルのパフォーマンスを比較した。
• 参考スコア（独自算出の注目度）: 2.191505742658975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diabetic foot ulcers are a common manifestation of lesions on the diabetic foot, a syndrome acquired as a long-term complication of diabetes mellitus. Accompanying neuropathy and vascular damage promote acquisition of pressure injuries and tissue death due to ischaemia. Affected areas are prone to infections, hindering the healing progress. The research at hand investigates an approach on classification of infection and ischaemia, conducted as part of the Diabetic Foot Ulcer Challenge (DFUC) 2021. Different models of the EfficientNet family are utilized in ensembles. An extension strategy for the training data is applied, involving pseudo-labeling for unlabeled images, and extensive generation of synthetic images via pix2pixHD to cope with severe class imbalances. The resulting extended training dataset features $8.68$ times the size of the baseline and shows a real to synthetic image ratio of $1:3$. Performances of models and ensembles trained on the baseline and extended training dataset are compared. Synthetic images featured a broad qualitative variety. Results show that models trained on the extended training dataset as well as their ensemble benefit from the large extension. F1-Scores for rare classes receive outstanding boosts, while those for common classes are either not harmed or boosted moderately. A critical discussion concretizes benefits and identifies limitations, suggesting improvements. The work concludes that classification performance of individual models as well as that of ensembles can be boosted utilizing synthetic images. Especially performance for rare classes benefits notably.
• Abstract（参考訳）: 糖尿病性足潰瘍は糖尿病の長期合併症として発症した糖尿病性足部病変の共通症状である。 神経障害と血管障害を伴い、虚血による血圧障害と組織死の獲得を促進する。 感染した地域は感染しやすく、治癒の進行を妨げる。 本研究は,2021年糖尿病足部潰瘍チャレンジ(DFUC)の一環として実施した感染症と虚血の分類について検討した。 EfficientNetファミリーの異なるモデルがアンサンブルで使用される。 トレーニングデータの拡張戦略を適用し、ラベルなし画像の擬似ラベル作成とpix2pixhdによる広範な合成画像の生成を行い、厳しいクラス不均衡に対処する。 その結果得られた拡張トレーニングデータセットは、ベースラインのサイズの8.68ドルであり、実画像と合成画像の比率は1:3$である。 ベースラインと拡張トレーニングデータセットでトレーニングされたモデルとアンサンブルのパフォーマンスを比較した。 合成画像は幅広い質的多様性を特徴とする。 結果は、拡張トレーニングデータセットでトレーニングされたモデルと、大規模な拡張によるアンサンブルのメリットを示している。 希少クラスのF1スコアは顕著な上昇を受け、普通クラスのスコアは中等度に上昇しない。 批判的な議論は利点を増し、制限を特定し、改善を提案する。 この研究は、合成画像を用いて個々のモデルの分類性能とアンサンブルの分類性能を高めることができると結論づけている。 特にレアクラスのパフォーマンスは特に有益である。

関連論文リスト

• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• What limits performance of weakly supervised deep learning for chest CT classification? [0.44241702149260353]
  ノイズの多いデータによる弱教師付き学習は、高品質な疾患ラベルの出現により、医用画像のコミュニティで注目されている。 本稿では, ノイズデータに対するモデル耐性を検証し, 弱い監視効果を検証した。 その結果, 疾患分類性能の低下を経験する前に, ラベルエラーを最大10%加えることができた。
  論文  参考訳（メタデータ） (2024-02-06T21:38:29Z)
• 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)
• Quantifying the Effect of Image Similarity on Diabetic Foot Ulcer Classification [4.318783737552881]
  本研究は,深層学習分類ネットワークを訓練する際の糖尿病性足底潰瘍データセットにおける視覚的に類似した画像の効果について検討する。 ディープラーニングアルゴリズムのトレーニングに使用されるデータセットにバイナリIDの重複画像が存在することは、ネットワーク性能を低下させる不必要なバイアスをもたらす可能性がある。 我々は、オープンソースのファジィアルゴリズムを使用して、2021年の糖尿病性フット潰瘍のトレーニングデータセットで、ますます類似した画像のグループを特定します。
  論文  参考訳（メタデータ） (2023-04-25T16:54:27Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)
• 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。