論文の概要: Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin
Lesion Detection in Highly Imbalanced Datasets
- arxiv url: http://arxiv.org/abs/2204.02275v1
- Date: Sun, 3 Apr 2022 09:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-06 13:10:42.052365
- Title: Deep Clustering via Center-Oriented Margin Free-Triplet Loss for Skin
Lesion Detection in Highly Imbalanced Datasets
- Title（参考訳）: 高不均衡データセットにおける皮膚病変検出のための中心配向マージンフリートリップレット損失による深部クラスタリング
- Authors: Saban Ozturk and Tolga Cukur
- Abstract要約: メラノーマは治療可能な致命的な皮膚がんであり、早期に診断すると生存率が劇的に上昇する。
既存の皮膚病変のデータベースには、良性サンプルと悪性サンプルの高度に不均衡な数が含まれている。
皮膚内視鏡画像の潜時空間埋め込みに基づく深層クラスタリング手法を提案する。
- 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: Melanoma is a fatal skin cancer that is curable and has dramatically
increasing survival rate when diagnosed at early stages. Learning-based methods
hold significant promise for the detection of melanoma from dermoscopic images.
However, since melanoma is a rare disease, existing databases of skin lesions
predominantly contain highly imbalanced numbers of benign versus malignant
samples. In turn, this imbalance introduces substantial bias in classification
models due to the statistical dominance of the majority class. To address this
issue, we introduce a deep clustering approach based on the latent-space
embedding of dermoscopic images. Clustering is achieved using a novel
center-oriented margin-free triplet loss (COM-Triplet) enforced on image
embeddings from a convolutional neural network backbone. The proposed method
aims to form maximally-separated cluster centers as opposed to minimizing
classification error, so it is less sensitive to class imbalance. To avoid the
need for labeled data, we further propose to implement COM-Triplet based on
pseudo-labels generated by a Gaussian mixture model. Comprehensive experiments
show that deep clustering with COM-Triplet loss outperforms clustering with
triplet loss, and competing classifiers in both supervised and unsupervised
settings.
- Abstract（参考訳）: メラノーマは治療可能な致命的な皮膚がんであり、早期に診断すると生存率が劇的に上昇する。
学習に基づく手法は,皮膚鏡像からのメラノーマの検出に有意な期待を持っている。
しかし、メラノーマは稀な疾患であるため、既存の皮膚病変のデータベースには良性サンプルと悪性サンプルの高度に不均衡な数が含まれている。
逆に、この不均衡は多数派クラスの統計的支配のために分類モデルに実質的なバイアスをもたらす。
そこで本研究では,デルモスコピック画像の潜在空間埋め込みに基づく深層クラスタリング手法を提案する。
クラスタリングは、畳み込みニューラルネットワークのバックボーンからのイメージ埋め込みに強制される、新たなセンター指向のマージンフリー三重項損失(COM-Triplet)を使用して実現される。
提案手法は,分類誤差を最小限に抑えるために,最大分離クラスタセンターを形成することを目的としている。
ラベル付きデータの必要性を回避するため,ガウス混合モデルにより生成された擬似ラベルに基づいてCOM-Tripletを実装することを提案する。
総合的な実験により、COM-Triplet損失によるディープクラスタリングはトリプルト損失によるクラスタリングよりも優れており、教師なしと教師なしの両方の設定における競合する分類器が優れていることが示された。
関連論文リスト
- Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2024-03-28T15:41:43Z) - 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) - Class-Specific Distribution Alignment for Semi-Supervised Medical Image
Classification [14.343079589464994]
CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。
本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
論文 参考訳（メタデータ） (2023-07-29T13:38:19Z) - Fairness in Visual Clustering: A Novel Transformer Clustering Approach [32.806921406869996]
まず、クラスタの純度の観点から、ディープクラスタリングモデルにおける人口統計バイアスを評価する。
フェアネスの側面を維持するために、すべてのクラスタに対して純粋性一貫性を促進するために、新しい損失関数が導入された。
本稿では,複数クラスタ間の相関を計測する新しいアテンション機構であるクロスアテンションを提案する。
論文 参考訳（メタデータ） (2023-04-14T21:59:32Z) - PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image
Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。
クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。
PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文 参考訳（メタデータ） (2022-07-11T11:43:51Z) - MIRST-DM: Multi-Instance RST with Drop-Max Layer for Robust
Classification of Breast Cancer [62.997667081978825]
MIRST-DMと呼ばれるドロップマックス層を用いたマルチインスタンスRTTを提案し、小さなデータセット上でよりスムーズな決定境界を学習する。
提案手法は1,190画像の小さな乳房超音波データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-02T20:25:26Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
既存のコントラスト学習法は、非常に低い学習効率に苦しむ。
アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。
中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-18T07:47:10Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Uncertainty-driven refinement of tumor-core segmentation using 3D-to-2D
networks with label uncertainty [0.13135750017147135]
bratsデータセットは、ハイグレードと低グレードのグリオーマの混合物を含む。
DeepSCANは不確実性の損失を使用して訓練されました。
線形回帰法とランダム森林分類を併用した高次グリオーマ患者の生存率を予測した。
論文 参考訳（メタデータ） (2020-12-11T15:57:34Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-04-14T22:46:20Z)
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。