論文の概要: An Analysis on Ensemble Learning optimized Medical Image Classification
with Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2201.11440v1
- Date: Thu, 27 Jan 2022 10:56:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-28 13:21:13.947392
- Title: An Analysis on Ensemble Learning optimized Medical Image Classification
with Deep Convolutional Neural Networks
- Title（参考訳）: 深層畳み込みニューラルネットワークを用いたアンサンブル学習最適化医用画像分類の解析
- Authors: Dominik M\"uller, I\~naki Soto-Rey and Frank Kramer
- Abstract要約: 本稿では,アンサンブル学習手法の性能に与える影響を再現可能な医用画像分類パイプラインで解析する。
このパイプラインは、最先端のプリプロセスと画像拡張方法、および9つのディープ畳み込みニューラルネットワークアーキテクチャで構成されている。
その結果,Stackingは最大13%のF1スコアアップを達成した。
拡張によって、一貫した改善機能が最大4%向上し、単一のモデルベースのパイプラインにも適用できる。
- 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: Novel and high-performance medical image classification pipelines are heavily
utilizing ensemble learning strategies. The idea of ensemble learning is to
assemble diverse models or multiple predictions and, thus, boost prediction
performance. However, it is still an open question to what extent as well as
which ensemble learning strategies are beneficial in deep learning based
medical image classification pipelines. In this work, we proposed a
reproducible medical image classification pipeline for analyzing the
performance impact of the following ensemble learning techniques: Augmenting,
Stacking, and Bagging. The pipeline consists of state-of-the-art preprocessing
and image augmentation methods as well as 9 deep convolution neural network
architectures. It was applied on four popular medical imaging datasets with
varying complexity. Furthermore, 12 pooling functions for combining multiple
predictions were analyzed, ranging from simple statistical functions like
unweighted averaging up to more complex learning-based functions like support
vector machines. Our results revealed that Stacking achieved the largest
performance gain of up to 13% F1-score increase. Augmenting showed consistent
improvement capabilities by up to 4% and is also applicable to single model
based pipelines. Cross-validation based Bagging demonstrated to be the most
complex ensemble learning method, which resulted in an F1-score decrease in all
analyzed datasets (up to -10%). Furthermore, we demonstrated that simple
statistical pooling functions are equal or often even better than more complex
pooling functions. We concluded that the integration of Stacking and
Augmentation ensemble learning techniques is a powerful method for any medical
image classification pipeline to improve robustness and boost performance.
- Abstract（参考訳）: 新規かつ高性能な医用画像分類パイプラインは,アンサンブル学習戦略を多用している。
アンサンブル学習の考え方は、多様なモデルや複数の予測を組み立て、予測性能を高めることである。
しかしながら、深層学習に基づく医用画像分類パイプラインにおいて、どのアンサンブル学習戦略が有益かという点については、まだ疑問の余地がある。
そこで本研究では,アンサンブル学習技術であるAugmenting, Stacking, Baggingのパフォーマンスへの影響を分析するために,再現可能な医用画像分類パイプラインを提案する。
このパイプラインは、最先端のプリプロセスと画像拡張方法、および9つのディープ畳み込みニューラルネットワークアーキテクチャで構成されている。
複雑度が異なる4つの一般的な医用画像データセットに適用した。
さらに,非重み付き平均化のような単純な統計関数から,サポートベクターマシンのようなより複雑な学習ベースの関数まで,複数の予測を組み合わせるための12のプーリング関数を分析した。
その結果,Stackingは最大13%のF1スコアアップを達成した。
拡張によって、一貫した改善機能が最大4%向上し、単一のモデルベースのパイプラインにも適用できる。
クロスバリデーションベースのバッキングは最も複雑なアンサンブル学習法であり、解析されたデータセット(最大-10%)すべてにおいてf1-scoreが減少することを示した。
さらに,単純な統計プーリング関数は,より複雑なプーリング関数よりも等しく,あるいはしばしば優れていることを示した。
重ね合わせと強化アンサンブル学習技術の統合は,ロバスト性の向上とパフォーマンス向上のための医用画像分類パイプラインの強力な手法である。
関連論文リスト
- Synergy and Diversity in CLIP: Enhancing Performance Through Adaptive Backbone Ensembling [58.50618448027103]
コントラスト言語-画像事前学習(CLIP)は画像表現学習において顕著な手法である。
本稿では,CLIPを訓練した視覚バックボーンの違いについて検討する。
方法によって、最高の単一のバックボーンよりも39.1%の精度が著しく向上する。
論文 参考訳（メタデータ） (2024-05-27T12:59:35Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - Forward-Forward Contrastive Learning [4.465144120325802]
医用画像分類のための新しい事前学習手法として,前向きコントラスト学習(FFCL)を提案する。
FFCLは、肺炎分類タスクにおける既存の事前訓練モデルよりも、ImageNet Pretrained ResNet-18よりも3.69%の精度で性能が向上している。
論文 参考訳（メタデータ） (2023-05-04T15:29:06Z) - Deep Negative Correlation Classification [82.45045814842595]
既存のディープアンサンブル手法は、多くの異なるモデルをナビゲートし、予測を集約する。
深部負相関分類(DNCC)を提案する。
DNCCは、個々の推定器が正確かつ負の相関を持つ深い分類アンサンブルを生成する。
論文 参考訳（メタデータ） (2022-12-14T07:35:20Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳（メタデータ） (2022-10-03T07:59:42Z) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Multi-Scale Representation Learning on Proteins [78.31410227443102]
本稿では,タンパク質HoloProtのマルチスケールグラフ構築について紹介する。
表面はタンパク質の粗い詳細を捉え、配列は一次成分であり、構造はより微細な詳細を捉えている。
グラフエンコーダは、各レベルが下のレベル(s)からそのレベルでのグラフとエンコーディングを統合することで、マルチスケール表現を学習する。
論文 参考訳（メタデータ） (2022-04-04T08:29:17Z) - Comparing representations of biological data learned with different AI
paradigms, augmenting and cropping strategies [0.0]
我々は、同じ条件下で、770kのがん細胞イメージデータセットに16のディープラーニング設定をトレーニングする。
3つの下流タスク毎に複数のメトリクスを評価することで、学習した表現を比較する。
自己監督型(単純な対照的な学習)モデルでは、競争性能はトレーニングの最大11倍速くなりました。
論文 参考訳（メタデータ） (2022-03-07T14:34:42Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Predicting Scores of Medical Imaging Segmentation Methods with
Meta-Learning [0.30458514384586394]
異なる臓器とモダリティの10つのデータセットにまたがるセグメンテーションのメタラーニングについて検討した。
我々は,メタ機能と先行モデルの性能の関係を学習するために,ベクトル回帰とディープニューラルネットワークをサポートする。
これらの結果は,医療画像におけるメタラーニングの可能性を示している。
論文 参考訳（メタデータ） (2020-05-08T07:47:52Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。