論文の概要: Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels

• arxiv url: http://arxiv.org/abs/2203.07725v1
• Date: Tue, 15 Mar 2022 08:43:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 03:48:23.681330
• Title: Meta Ordinal Regression Forest for Medical Image Classification with Ordinal Labels
• Title（参考訳）: オルディナルラベルを用いた医用画像分類のためのメタオルディナル回帰森林
• Authors: Yiming Lei, Haiping Zhu, Junping Zhang, Hongming Shan
• Abstract要約: そこで本研究では, 医用画像分類のためのメタ・オーディショナル・レグレッション・フォレスト (MORF) 法を提案する。 MORFは、畳み込みニューラルネットワークとディファレンシャルフォレストを組み合わせて、メタラーニングフレームワークで順序関係を学習する。 序列ラベルを用いた2つの医用画像分類データセットの実験結果から,既存の最先端手法よりもMORF法の方が優れた性能を示した。
• 参考スコア（独自算出の注目度）: 37.121792169424744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of medical image classification has been enhanced by deep convolutional neural networks (CNNs), which are typically trained with cross-entropy (CE) loss. However, when the label presents an intrinsic ordinal property in nature, e.g., the development from benign to malignant tumor, CE loss cannot take into account such ordinal information to allow for better generalization. To improve model generalization with ordinal information, we propose a novel meta ordinal regression forest (MORF) method for medical image classification with ordinal labels, which learns the ordinal relationship through the combination of convolutional neural network and differential forest in a meta-learning framework. The merits of the proposed MORF come from the following two components: a tree-wise weighting net (TWW-Net) and a grouped feature selection (GFS) module. First, the TWW-Net assigns each tree in the forest with a specific weight that is mapped from the classification loss of the corresponding tree. Hence, all the trees possess varying weights, which is helpful for alleviating the tree-wise prediction variance. Second, the GFS module enables a dynamic forest rather than a fixed one that was previously used, allowing for random feature perturbation. During training, we alternatively optimize the parameters of the CNN backbone and TWW-Net in the meta-learning framework through calculating the Hessian matrix. Experimental results on two medical image classification datasets with ordinal labels, i.e., LIDC-IDRI and Breast Ultrasound Dataset, demonstrate the superior performances of our MORF method over existing state-of-the-art methods.
• Abstract（参考訳）: 医用画像分類の性能は、一般的にクロスエントロピー(CE)損失で訓練されるディープ畳み込みニューラルネットワーク(CNN)によって向上している。 しかし、ラベルが本質的な順序性、例えば良性腫瘍から悪性腫瘍への進展を示す場合、CE損失はそのような順序情報を考慮に入れることができず、より一般化することができる。 本稿では,畳み込みニューラルネットワークとディファレンシャルフォレストを組み合わせることで,順序ラベルを用いた医用画像分類のためのメタ順序回帰フォレスト(morf)手法を提案する。 提案したMORFの利点は、ツリーワイド重み付けネット(TWW-Net)とグループ化特徴選択(GFS)モジュールの2つから成り立っている。 まず、TWW-Netは、対応する木の分類損失からマッピングされた特定の重量で、森林の各木を割り当てる。 したがって、全ての木は異なる重みを持ち、木々の予測のばらつきを緩和するのに役立つ。 第2に、GFSモジュールは、以前使用されていた固定フォレストではなく、動的フォレストを可能にし、ランダムな特徴摂動を可能にする。 トレーニング中、ヘシアン行列を計算し、メタラーニングフレームワークにおけるcnnバックボーンとtww-netのパラメータを最適化する。 LIDC-IDRIとBreast Ultrasound Datasetの2つの医用画像分類データセットによる実験結果から,既存の最先端手法よりもMORF法の方が優れた性能を示した。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• Neural Attention Forests: Transformer-Based Forest Improvement [4.129225533930966]
  NAFモデルの主な考え方は、無作為林に注意機構を導入することである。 注意に基づくランダムフォレストのような利用可能なモデルとは対照的に、注意重みとナダラヤ・ワトソン回帰はニューラルネットワークの形で表現される。 注意機構を実装するランダムフォレストとニューラルネットワークの組み合わせは、森林予測を強化するためのトランスフォーマーを形成する。
  論文  参考訳（メタデータ） (2023-04-12T17:01:38Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• Meta ordinal weighting net for improving lung nodule classification [19.61244172891081]
  本稿では,各トレーニングサンプルをメタ順序集合 (MOS) に整列させるメタ順序重み付けネットワーク (MOW-Net) を提案する。 トレーニングプロセス中、MOW-Netは、MOSのサンプルから対応するクラス固有の重みへのマッピングを学習する。 実験の結果,MOW-Netは最先端の順序回帰法よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2021-01-31T14:00:20Z)
• Meta Ordinal Regression Forest For Learning with Unsure Lung Nodules [18.597354524446487]
  この問題を順序回帰として定式化することにより、これらの不確実な結節を組み込むために、不確実データモデル(UDM)が提案された。 本論文では,最先端の経口回帰法を改善するメタ経口回帰林(MORF)を提案する。 LIDC-IDRIデータセットの実験結果から,既存の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T06:59:43Z)
• Convolutional Ordinal Regression Forest for Image Ordinal Estimation [52.67784321853814]
  我々は、画像の順序性評価のために、コンボリューショナル・オーディショナル・レグレッション・フォレスト(CORF)と呼ばれる新しいオーディショナル・レグレッション・アプローチを提案する。 提案したCORFは、順序回帰と微分可能な決定木を畳み込みニューラルネットワークと統合し、正確なグローバル順序関係と安定なグローバル順序関係を得る。 提案手法の有効性は,2つの画像順序推定課題において検証され,最先端の順序回帰法に対する大幅な改善と安定性が示された。
  論文  参考訳（メタデータ） (2020-08-07T10:41:17Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。