論文の概要: Uncertainty-aware deep learning methods for robust diabetic retinopathy classification

• arxiv url: http://arxiv.org/abs/2201.09042v1
• Date: Sat, 22 Jan 2022 13:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 14:35:04.421092
• Title: Uncertainty-aware deep learning methods for robust diabetic retinopathy classification
• Title（参考訳）: 頑健な糖尿病網膜症分類のための不確実性認識深層学習法
• Authors: Joel Jaskari, Jaakko Sahlsten, Theodoros Damoulas, Jeremias Knoblauch, Simo S\"arkk\"a, Leo K\"arkk\"ainen, Kustaa Hietala, Kimmo Kaski
• Abstract要約: 臨床データセットと臨床関連5クラス分類法を体系的に検討し,新しい結果を得た。 我々は、不確実性尺度と分類器リスクの関連を導き、そこから新たな不確実性尺度を開発する。 先程提案したエントロピーに基づく不確実性尺度は,2次分類法では臨床データセットに一般化されるが,5クラス法では適用されない。
• 参考スコア（独自算出の注目度）: 10.31218508319393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic classification of diabetic retinopathy from retinal images has been widely studied using deep neural networks with impressive results. However, there is a clinical need for estimation of the uncertainty in the classifications, a shortcoming of modern neural networks. Recently, approximate Bayesian deep learning methods have been proposed for the task but the studies have only considered the binary referable/non-referable diabetic retinopathy classification applied to benchmark datasets. We present novel results by systematically investigating a clinical dataset and a clinically relevant 5-class classification scheme, in addition to benchmark datasets and the binary classification scheme. Moreover, we derive a connection between uncertainty measures and classifier risk, from which we develop a new uncertainty measure. We observe that the previously proposed entropy-based uncertainty measure generalizes to the clinical dataset on the binary classification scheme but not on the 5-class scheme, whereas our new uncertainty measure generalizes to the latter case.
• Abstract（参考訳）: 網膜画像からの糖尿病網膜症の自動分類は深層ニューラルネットワークを用いて広く研究されている。 しかし、現代のニューラルネットワークの欠点である分類の不確実性の推定には臨床的な必要性がある。 近年,近似ベイズ深層学習法が提案されているが,ベンチマークデータセットに適用した2値参照型/非参照型糖尿病網膜症分類のみが検討されている。 本稿では,ベンチマークデータセットと2値分類スキームに加えて,臨床データセットと臨床関連5クラス分類スキームを体系的に検討し,新しい結果を提示する。 さらに,不確実性尺度と分類リスクとの関係を導出し,新たな不確実性尺度を考案する。 先程提案したエントロピーに基づく不確実性尺度は,2次分類法では臨床データセットに一般化するが,5級分類では一般化しない。

関連論文リスト

• From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
  バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。 提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
  論文  参考訳（メタデータ） (2024-09-12T05:22:45Z)
• Expert-aware uncertainty estimation for quality control of neural-based blood typing [0.0]
  医学的診断において、神経モデルに対する正確な不確実性推定は、二次対位法の補完に不可欠である。 ここでの大きな難点は、サンプルの硬さにラベルがないことである。 我々の新しいアプローチは、ニューラルネットワークの学習プロセスにケース複雑性のエキスパートアセスメントを統合し、決定的なターゲットラベルと補足的複雑性評価の両方を活用する。 実験では、不確実性予測におけるアプローチの強化、専門家ラベルによる2.5倍の改善、およびニューラルネットワークの専門家コンセンサスの推定によるパフォーマンスの35%向上が示されている。
  論文  参考訳（メタデータ） (2024-07-15T19:07:02Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  深層学習を用いた時系列計算のための新しい分類フレームワークを提案する。 文献における概念的ギャップと既存のレビューを識別することにより、ニューラル・インパテーション・フレームワークの帰納的バイアスに基づく分類法を考案する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• Explainable vertebral fracture analysis with uncertainty estimation using differentiable rule-based classification [0.07539652433311492]
  深部神経回路を用いた低用量XVFAを用いた新しい脊椎骨折診断法を提案する。 我々はGenantの半定量基準を、椎骨骨折の成績と形態を分類する異なる規則に基づく方法として取り入れた。
  論文  参考訳（メタデータ） (2024-07-03T08:57:35Z)
• Fixed Random Classifier Rearrangement for Continual Learning [0.5439020425819]
  視覚分類のシナリオでは、ニューラルネットワークは新しいタスクを学習した後、必然的に古いタスクの知識を忘れる。 我々はFixed Random Rearrangement (FRCR)という連続学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-23T09:43:58Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• 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)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
  学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。 実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
  論文  参考訳（メタデータ） (2020-10-22T14:05:05Z)

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。