論文の概要: HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor
Classification
- arxiv url: http://arxiv.org/abs/2201.12269v1
- Date: Fri, 28 Jan 2022 17:37:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 15:44:35.408322
- Title: HSADML: Hyper-Sphere Angular Deep Metric based Learning for Brain Tumor
Classification
- Title(参考訳): HSADML:脳腫瘍分類のための超球面角深度に基づく学習
- Authors: Aman Verma and Vibhav Prakash Singh
- Abstract要約: HSADMLは、SphereFace Lossを使用したディープメトリックラーニング(DML)を可能にする新しいフレームワークである。
k-NN(k=1)を用いた最先端98.69%のアキュラシ検証
- 参考スコア(独自算出の注目度): 3.319978067919918
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain Tumors are abnormal mass of clustered cells penetrating regions of
brain. Their timely identification and classification help doctors to provide
appropriate treatment. However, Classifi-cation of Brain Tumors is quite
intricate because of high-intra class similarity and low-inter class
variability. Due to morphological similarity amongst various MRI-Slices of
different classes the challenge deepens more. This all leads to hampering
generalizability of classification models. To this end, this paper proposes
HSADML, a novel framework which enables deep metric learning (DML) using
SphereFace Loss. SphereFace loss embeds the features into a
hyperspheric-manifold and then imposes margin on the embeddings to enhance
differentiability between the classes. With utilization of SphereFace loss
based deep metric learning it is ensured that samples from class clustered
together while the different ones are pushed apart. Results reflects the
promi-nence in the approach, the proposed framework achieved state-of-the-art
98.69% validation accu-racy using k-NN (k=1) and this is significantly higher
than normal SoftMax Loss training which though obtains 98.47% validation
accuracy but that too with limited inter-class separability and intra-class
closeness. Experimental analysis done over various classifiers and loss
function set-tings suggests potential in the approach.
- Abstract(参考訳): 脳腫瘍は脳の領域を貫通する集合細胞の異常な質量である。
タイムリーな識別と分類は、医師が適切な治療を行うのに役立つ。
しかし、脳腫瘍の分類は、高いイントラクラス類似性と低インタークラス変動のため、かなり複雑である。
様々なMRIクラスにおける形態的類似性のため、課題はさらに深まる。
この全ては分類モデルの一般化を妨げている。
そこで本稿では,SphereFace Loss を用いた深度メトリック学習(DML)を実現する新しいフレームワークであるHSADMLを提案する。
sphereface lossは、機能を超球面マニフォールドに組み込み、埋め込みにマージンを課し、クラス間の差別化性を高める。
sphereface lossベースのディープメトリック学習を利用することで、クラスからのサンプルがクラスタ化され、異なるサンプルがプッシュされる。
k-nn (k=1) を用いた98.69%の検証 accu-racy を達成し,98.47%の検証精度が得られたもののクラス間分離性とクラス内近接性が制限された通常のソフトマックス損失トレーニングよりも有意に高い。
様々な分類器と損失関数セットによる実験的解析は、アプローチの可能性を示唆している。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳(メタデータ) (2023-12-08T18:11:22Z) - DenseNet and Support Vector Machine classifications of major depressive
disorder using vertex-wise cortical features [2.29023553248714]
大うつ病 (Major depressive disorder, MDD) は、世界中の数億の個人に影響を及ぼす複雑な精神疾患である。
ディープラーニングツールのニューロイメージングデータへの応用は、MDDの診断および予測バイオマーカーを提供する可能性がある。
MDD患者と健康管理 (HC) を線形機械学習による分節的大脳皮質の特徴に基づいて解離させる試みは, 精度が低いことが報告されている。
論文 参考訳(メタデータ) (2023-11-18T11:46:25Z) - 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) - Optimizing Brain Tumor Classification: A Comprehensive Study on Transfer
Learning and Imbalance Handling in Deep Learning Models [0.0]
MRIデータを用いた脳腫瘍分類のための新しい深層学習手法であるTransfer Learning-CNNを提案する。
公開のBrain MRIデータセットを活用することで、実験はさまざまな腫瘍タイプを分類するための様々な転写学習モデルを評価した。
VGG-16とCNNを組み合わせた提案手法は,96%の精度で,代替手法をはるかに上回った。
論文 参考訳(メタデータ) (2023-08-13T17:30:32Z) - A Non-isotropic Probabilistic Take on Proxy-based Deep Metric Learning [49.999268109518255]
プロキシベースのDeep Metric Learningは、クラス代表者(プロキシ)に画像を埋め込むことで学習する
さらに、プロキシベースのDMLは、クラス内部構造を学ぶのに苦労している。
両問題に対処するために,非等方的確率的プロキシベースDMLを導入する。
論文 参考訳(メタデータ) (2022-07-08T09:34:57Z) - Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease
Classification [31.539129126161978]
本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。
SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。
数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2022-07-03T16:06:04Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳(メタデータ) (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳(メタデータ) (2021-08-08T11:26:34Z) - Brain Tumor Detection and Classification based on Hybrid Ensemble
Classifier [0.6091702876917281]
本稿では,ランダムフォレスト(RF)とK-ニアレストネイバー(K-Nearest Neighbour)と決定木(DT)を用いたハイブリッドアンサンブル法を提案する。
腫瘍領域の面積を計算し、脳腫瘍を良性および悪性に分類することを目的としている。
提案手法は,トレーニングとテストにそれぞれ85:15で使用される2556画像のデータセット上でテストを行い,97.305%の精度を示す。
論文 参考訳(メタデータ) (2021-01-01T11:52:29Z)
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。