論文の概要: Deep Neuroevolution Squeezes More out of Small Neural Networks and Small Training Sets: Sample Application to MRI Brain Sequence Classification

• arxiv url: http://arxiv.org/abs/2112.12990v1
• Date: Fri, 24 Dec 2021 08:21:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 16:50:44.427629
• Title: Deep Neuroevolution Squeezes More out of Small Neural Networks and Small Training Sets: Sample Application to MRI Brain Sequence Classification
• Title（参考訳）: 小さなニューラルネットワークと小さなトレーニングセットを駆使した深部神経進化の研究:MRI脳系列分類へのサンプル応用
• Authors: Joseph N Stember, Hrithwik Shalu
• Abstract要約: Deep Neuroevolution (DNE)は、小さなニューラルネットワークと小さなトレーニングセットでうまく機能する、放射線学人工知能(AI)を提供するという約束を掲げている。 対象は,T1,T1,T2,T2-FLAIR,T2-FLAIRの4つであった。 我々は、比較的小さな畳み込みニューラルネットワーク(CNN)のパラメータをトレーニングした。まず、CNNの重みをランダムに変更し、CNNのトレーニングセットの精度を測定し、後者を適合度評価指標として使用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Deep Neuroevolution (DNE) holds the promise of providing radiology artificial intelligence (AI) that performs well with small neural networks and small training sets. We seek to realize this potential via a proof-of-principle application to MRI brain sequence classification. Methods: We analyzed a training set of 20 patients, each with four sequences/weightings: T1, T1 post-contrast, T2, and T2-FLAIR. We trained the parameters of a relatively small convolutional neural network (CNN) as follows: First, we randomly mutated the CNN weights. We then measured the CNN training set accuracy, using the latter as the fitness evaluation metric. The fittest child CNNs were identified. We incorporated their mutations into the parent CNN. This selectively mutated parent became the next generation's parent CNN. We repeated this process for approximately 50,000 generations. Results: DNE achieved monotonic convergence to 100% training set accuracy. DNE also converged monotonically to 100% testing set accuracy. Conclusions: DNE can achieve perfect accuracy with small training sets and small CNNs. Particularly when combined with Deep Reinforcement Learning, DNE may provide a path forward in the quest to make radiology AI more human-like in its ability to learn. DNE may very well turn out to be a key component of the much-anticipated meta-learning regime of radiology AI algorithms that can adapt to new tasks and new image types, similar to human radiologists.
• Abstract（参考訳）: 目的:Deep Neuroevolution (DNE)は、小さなニューラルネットワークと小さなトレーニングセットでうまく機能する放射線学人工知能(AI)を提供することを約束している。 我々は、MRI脳シークエンス分類へのプループ・オブ・プリンシプルの適用を通して、この可能性を実現することを目指している。 方法】T1,T1ポストコントラスト,T2-FLAIR,T2-FLAIRの4つのシークエンス/重み付けで20例のトレーニングセットを解析した。 我々は、比較的小さな畳み込みニューラルネットワーク(cnn)のパラメータを次のように訓練した。 次に,CNNトレーニングセットの精度を測定し,後者を適合度評価指標とした。 最も適した児童CNNが同定された。 私たちは彼らの突然変異を親CNNに組み込んだ。 この選択的に変異した親は次世代の親cnnとなった。 私たちは約5万世代にわたってこのプロセスを繰り返しました。 結果: DNEは単調収束を100%トレーニングセット精度で達成した。 dneはまた、100%テストセット精度に単調に収束した。 結論: DNEは小さなトレーニングセットと小さなCNNで完全な精度を達成することができる。 特に、深層強化学習と組み合わせると、dneは放射線学aiを学習能力においてより人間らしくする探求の道を開くかもしれない。 DNEは、新しいタスクや新しいイメージタイプに適応できる、放射線医学のAIアルゴリズムの、予想されるメタラーニング体制の重要な構成要素であるかもしれない。

関連論文リスト

• Verified Neural Compressed Sensing [58.98637799432153]
  精度の高い計算タスクのために、初めて(私たちの知識を最大限に活用するために)証明可能なニューラルネットワークを開発します。 極小問題次元(最大50)では、線形および双項線形測定からスパースベクトルを確実に回復するニューラルネットワークを訓練できることを示す。 ネットワークの複雑さは問題の難易度に適応できることを示し、従来の圧縮センシング手法が証明不可能な問題を解く。
  論文  参考訳（メタデータ） (2024-05-07T12:20:12Z)
• Convolutional Neural Networks Exploiting Attributes of Biological Neurons [7.3517426088986815]
  畳み込みニューラルネットワーク(CNN)のようなディープニューラルネットワークは、最前線として登場し、しばしば人間の能力を上回っている。 ここでは,生物ニューロンの原理をCNNの特定の層に統合する。 我々は,CNNの入力として使用する画像の特徴を抽出し,訓練効率の向上と精度の向上を期待する。
  論文  参考訳（メタデータ） (2023-11-14T16:58:18Z)
• Curriculum Based Multi-Task Learning for Parkinson's Disease Detection [2.1187904593676845]
  我々は、重篤度に基づくメタデータを利用して、深層畳み込みニューラルネットワーク(CNN)を訓練するためのカリキュラムを定義する。 カリキュラム学習は、分類し易い例から始めることで分類器のパフォーマンスを向上させるための訓練戦略である。 プレトレーニングCNNとトランスファーラーニングを用いたマルチタスク設定でも,T1強調(T1-w)MRIに基づくPD分類は困難であった(ROC AUC: 0.59-0.65)が,カリキュラムトレーニングでは,ベースラインモデルと比較してパフォーマンスが3.9%向上した。
  論文  参考訳（メタデータ） (2023-02-27T09:58:09Z)
• Deep neuroevolution for limited, heterogeneous data: proof-of-concept application to Neuroblastoma brain metastasis using a small virtual pooled image collection [0.0]
  我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。 症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。 DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
  論文  参考訳（メタデータ） (2022-11-26T07:03:37Z)
• Direct evaluation of progression or regression of disease burden in brain metastatic disease with Deep Neuroevolution [0.0]
  深部神経進化(Deep Neuroevolution、DNE)は、小さなトレーニングセットでうまく機能する放射線学人工知能(AI)を生成することができる。 そこで我々はDNEを用いて,転移性脳疾患の進行と退縮を予測する機能近似を行った。
  論文  参考訳（メタデータ） (2022-03-24T05:29:09Z)
• Infant Brain Age Classification: 2D CNN Outperforms 3D CNN in Small Dataset [0.14063138455565613]
  乳児の脳磁気共鳴画像(MRI)は、ミエリン化以外の特定の発達パターンを示す。 標準化された基準がなければ、3歳前のMRIから脳の構造的成熟度を視覚的に推定することは、サーバ間およびサーバ内変動によって支配される。 我々は、この課題に取り組むための一般的な実現可能性と、2次元および3次元畳み込みニューラルネットワーク(CNN)を含む様々なアプローチの有用性について検討する。 中央軸厚スラブ上に2次元CNNを用いて0.90[95% CI:0.86-0.94]の精度を達成した。
  論文  参考訳（メタデータ） (2021-12-27T18:02:48Z)
• Classification of diffraction patterns using a convolutional neural network in single particle imaging experiments performed at X-ray free-electron lasers [53.65540150901678]
  X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。 再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。 本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
  論文  参考訳（メタデータ） (2021-12-16T17:03:14Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• RIFLE: Backpropagation in Depth for Deep Transfer Learning through Re-Initializing the Fully-connected LayEr [60.07531696857743]
  事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。 転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。 RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
  論文  参考訳（メタデータ） (2020-07-07T11:27:43Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。