Fugu-MT 論文翻訳(概要): Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification

論文の概要: Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification

arxiv url: http://arxiv.org/abs/2207.01072v2
Date: Fri, 24 Nov 2023 09:42:45 GMT
ステータス: 処理完了
システム内更新日: 2023-11-28 05:07:00.074848
Title: Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification
Title（参考訳）: Few-Shot Skin Disease 分類のための動的サブクラスタ・アウェアネットワーク
Authors: Shuhan LI, Xiaomeng Li, Xiaowei Xu, Kwang-Ting Cheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 31.539129126161978
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the problem of few-shot skin disease classification by introducing a novel approach called the Sub-Cluster-Aware Network (SCAN) that enhances accuracy in diagnosing rare skin diseases. The key insight motivating the design of SCAN is the observation that skin disease images within a class often exhibit multiple sub-clusters, characterized by distinct variations in appearance. To improve the performance of few-shot learning, we focus on learning a high-quality feature encoder that captures the unique sub-clustered representations within each disease class, enabling better characterization of feature distributions. Specifically, SCAN follows a dual-branch framework, where the first branch learns class-wise features to distinguish different skin diseases, and the second branch aims to learn features which can effectively partition each class into several groups so as to preserve the sub-clustered structure within each class. To achieve the objective of the second branch, we present a cluster loss to learn image similarities via unsupervised clustering. To ensure that the samples in each sub-cluster are from the same class, we further design a purity loss to refine the unsupervised clustering results. We evaluate the proposed approach on two public datasets for few-shot skin disease classification. The experimental results validate that our framework outperforms the state-of-the-art methods by around 2% to 5% in terms of sensitivity, specificity, accuracy, and F1-score on the SD-198 and Derm7pt datasets.
Abstract（参考訳）: 本稿では, まれな皮膚疾患の診断精度を高めるサブクラスター・アウェア・ネットワーク(scan)と呼ばれる新しいアプローチを導入することで, 皮膚疾患分類の問題点を解決する。 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、外観の異なる特徴を特徴とする複数のサブクラスタをしばしば示すという観察である。本研究は,各疾患クラスにおける特徴的サブクラスタ化表現をキャプチャし,特徴分布のキャラクタリゼーションを向上する,高品質な特徴エンコーダの学習に焦点を当てた。特に、SCANはデュアルブランチフレームワークに従っており、第1のブランチは、異なる皮膚疾患を識別するためのクラスワイズ機能を学び、第2のブランチは、各クラスを複数のグループに効果的に分割して、各クラス内のサブクラスタ構造を保存する機能を学ぶことを目的としている。第2のブランチの目的を達成するために,教師なしクラスタリングによる画像類似性を学習するために,クラスタロスを提案する。各サブクラスタ内のサンプルが同一クラスであることを保証するため、さらに純度損失を設計し、教師なしクラスタリング結果を洗練する。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。実験の結果,sd-198およびderm7ptデータセットの感度,特異性,正確性,f1-scoreの点で,最先端手法を約2%～5%上回った。

関連論文リスト

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)
Dual Attention Model with Reinforcement Learning for Classification of Histology Whole-Slide Images [8.404881822414898]
デジタル全スライド画像(WSI)は一般に顕微鏡分解能で撮影され、広い空間データを包含する。本稿では,病理医の視覚検査に触発された2つの主成分からなる新しい二重注意アプローチを提案する。提案手法は,WSIの10%未満を高い倍率で処理しながら,最先端の手法に匹敵する性能を実現する。
論文参考訳（メタデータ） (2023-02-19T22:26:25Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Joint localization and classification of breast tumors on ultrasound images using a novel auxiliary attention-based framework [7.6620616780444974]
本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
論文参考訳（メタデータ） (2022-10-11T20:14:13Z)
Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文参考訳（メタデータ） (2022-07-14T14:57:01Z)
SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。 2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文参考訳（メタデータ） (2022-02-11T15:19:36Z)
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)
Multiclass Anomaly Detection in GI Endoscopic Images using Optimized Deep One-class Classification in an Imbalanced Dataset [0.0]
ワイヤレスカプセル内視鏡は、医師が消化管を非侵襲的に検査するのに役立つ。 KID2やKvasirのような利用可能なデータセットの多くは、効果的な人工知能(AI)システムのトレーニングを難しくする不均衡な問題に悩まされている。本研究では,一類分類器のアンサンブルを用いて異常を検出する。
論文参考訳（メタデータ） (2021-03-15T16:28:42Z)
Entropy-Based Uncertainty Calibration for Generalized Zero-Shot Learning [49.04790688256481]
一般化ゼロショット学習(GZSL)の目的は、目に見えないクラスと見えないクラスの両方を認識することである。ほとんどのGZSLメソッドは、通常、見えないクラスの意味情報から視覚表現を合成することを学ぶ。本論文では,三重項損失を持つ2重変分オートエンコーダを利用する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-01-09T05:21:27Z)
Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文参考訳（メタデータ） (2020-07-19T07:24:45Z)
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。