論文の概要: Clustering and classification of low-dimensional data in explicit feature map domain: intraoperative pixel-wise diagnosis of adenocarcinoma of a colon in a liver

• arxiv url: http://arxiv.org/abs/2203.03636v1
• Date: Mon, 7 Mar 2022 11:56:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 06:04:24.419670
• Title: Clustering and classification of low-dimensional data in explicit feature map domain: intraoperative pixel-wise diagnosis of adenocarcinoma of a colon in a liver
• Title（参考訳）: 明示的特徴マップ領域における低次元データのクラスタリングと分類 : 術中の肝大腸腺癌の診断
• Authors: Dario Sitnik and Ivica Kopriva
• Abstract要約: 本稿では,低次元データのヒルベルト空間内の低次元部分空間への近似的明示的特徴写像 (aEFM) 変換について検討する。 計算複雑性がわずかに増加すると、線形アルゴリズムは性能を改善し、解釈可能性を維持する。
• 参考スコア（独自算出の注目度）: 0.10152838128195464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Application of artificial intelligence in medicine brings in highly accurate predictions achieved by complex models, the reasoning of which is hard to interpret. Their generalization ability can be reduced because of the lack of pixel wise annotated images that occurs in frozen section tissue analysis. To partially overcome this gap, this paper explores the approximate explicit feature map (aEFM) transform of low-dimensional data into a low-dimensional subspace in Hilbert space. There, with a modest increase in computational complexity, linear algorithms yield improved performance and keep interpretability. They remain amenable to incremental learning that is not a trivial issue for some nonlinear algorithms. We demonstrate proposed methodology on a very large-scale problem related to intraoperative pixel-wise semantic segmentation and clustering of adenocarcinoma of a colon in a liver. Compared to the results in the input space, logistic classifier achieved statistically significant performance improvements in micro balanced accuracy and F1 score in the amounts of 12.04% and 12.58%, respectively. Support vector machine classifier yielded the increase of 8.04% and 9.41%. For clustering, increases of 0.79% and 0.85% are obtained with ultra large-scale spectral clustering algorithm. Results are supported by a discussion of interpretability using Shapely additive explanation values for predictions of linear classifier in input space and aEFM induced space.
• Abstract（参考訳）: 医学における人工知能の応用は、複雑なモデルによって達成された高精度な予測をもたらす。 これらの一般化能力は、凍結部組織解析で発生する画素ワイズアノテート画像の欠如により低下させることができる。 本稿では、このギャップを部分的に克服するために、低次元データの近似明示的特徴写像(aefm)をヒルベルト空間内の低次元部分空間へ変換する。 そこでは、計算複雑性がわずかに増加し、線形アルゴリズムは性能を改善し、解釈可能性を維持する。 非線形アルゴリズムではささいな問題ではないインクリメンタルな学習に順応できる。 肝内大腸腺癌の術中pixel-wiseセマンティックセグメンテーションとクラスタリングに関する超大規模問題に対して提案手法を提示する。 入力空間における結果と比較すると、ロジスティック分類器はマイクロバランス精度の統計的に有意な性能改善を達成し、f1スコアはそれぞれ12.04%と12.58%であった。 サポートベクターマシン分類器は8.04%と9.41%の増加をもたらした。 クラスタリングでは、超大規模スペクトルクラスタリングアルゴリズムにより0.79%と0.85%の増加が得られる。 その結果,入力空間およびaEFM誘導空間における線形分類器の予測に対して,形状付加的説明値を用いた解釈可能性に関する議論が支持された。

関連論文リスト

• Unraveling the Impact of Heterophilic Structures on Graph Positive-Unlabeled Learning [71.9954600831939]
  実世界の多くのシナリオにおいて、肯定的無ラベル(PU)学習は不可欠であるが、そのグラフデータへの応用は未探索のままである。 グラフ上でのPU学習において重要な課題がエッジヘテロフィリーにあり、クラスプライア推定の既約性前提に直接違反していることを明らかにする。 この課題に対応するために,ラベル伝搬損失(GPL)を用いたグラフPU学習という新しい手法を導入する。
  論文  参考訳（メタデータ） (2024-05-30T10:30:44Z)
• Gauge-optimal approximate learning for small data classification problems [0.0]
  小さなデータ学習問題は、応答変数の観測量が限られたことと大きな特徴空間次元との相違によって特徴づけられる。 本稿では,Gauge-Optimal Approximate Learning (GOAL)アルゴリズムを提案する。 GOALは、合成データと、気候科学やバイオインフォマティクスといった現実世界の応用に挑戦する、最先端の機械学習(ML)ツールと比較されている。
  論文  参考訳（メタデータ） (2023-10-29T16:46:05Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• A new filter for dimensionality reduction and classification of hyperspectral images using GLCM features and mutual information [0.0]
  ハイパースペクトル画像の次元化と分類のための新しい手法を提案する。 スペクトル情報と空間情報の両方を相互情報に基づいて考慮する。 3つのよく知られたハイパースペクトルベンチマークデータセットで実験が行われる。
  論文  参考訳（メタデータ） (2022-11-01T13:19:08Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Bioinspired random projections for robust, sparse classification [0.0]
  生物センシングシステムにおけるランダム・プロジェクションの利用に着想を得て,分類問題におけるデータ処理のための新しいアルゴリズムを提案する。 これはヒトの脳とショウジョウバエの嗅覚系の観察に基づいており、小さなエントリを切り離すためにキャップ操作を適用する前に、データを非常に大きな次元の空間にランダムに投影する。
  論文  参考訳（メタデータ） (2022-06-18T15:24:20Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Multilevel orthogonal Bochner function subspaces with applications to robust machine learning [1.533771872970755]
  このデータを、関連するボヒナー空間内のランダムフィールドのインスタンスとみなす。 私たちのキーとなる観察は、クラスが主に2つの異なる部分空間に存在することである。
  論文  参考訳（メタデータ） (2021-10-04T22:01:01Z)
• Dimensionality Reduction via Diffusion Map Improved with Supervised Linear Projection [1.7513645771137178]
  本稿では、データサンプルが1つの基礎となる滑らかな多様体上に存在すると仮定する。 ペアワイズローカルカーネル距離を用いてクラス内およびクラス間類似性を定義する。 クラス内類似度を最大化し、クラス間類似度を同時に最小化する線形射影を求める。
  論文  参考訳（メタデータ） (2020-08-08T04:26:07Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。