論文の概要: PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification

• arxiv url: http://arxiv.org/abs/2207.04793v1
• Date: Mon, 11 Jul 2022 11:43:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 14:51:56.595160
• Title: PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification
• Title（参考訳）: pcct : 不均衡医用画像分類のための進歩的クラス中心三重項損失
• Authors: Kanghao Chen, Weixian Lei, Rong Zhang, Shen Zhao, Wei-shi Zheng, Ruixuan Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.703445291264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Imbalanced training data is a significant challenge for medical image classification. In this study, we propose a novel Progressive Class-Center Triplet (PCCT) framework to alleviate the class imbalance issue particularly for diagnosis of rare diseases, mainly by carefully designing the triplet sampling strategy and the triplet loss formation. Specifically, the PCCT framework includes two successive stages. In the first stage, PCCT trains the diagnosis system via a class-balanced triplet loss to coarsely separate distributions of different classes. In the second stage, the PCCT framework further improves the diagnosis system via a class-center involved triplet loss to cause a more compact distribution for each class. For the class-balanced triplet loss, triplets are sampled equally for each class at each training iteration, thus alleviating the imbalanced data issue. For the class-center involved triplet loss, the positive and negative samples in each triplet are replaced by their corresponding class centers, which enforces data representations of the same class closer to the class center. Furthermore, the class-center involved triplet loss is extended to the pair-wise ranking loss and the quadruplet loss, which demonstrates the generalization of the proposed framework. Extensive experiments support that the PCCT framework works effectively for medical image classification with imbalanced training images. On two skin image datasets and one chest X-ray dataset, the proposed approach respectively obtains the mean F1 score 86.2, 65.2, and 90.66 over all classes and 81.4, 63.87, and 81.92 for rare classes, achieving state-of-the-art performance and outperforming the widely used methods for the class imbalance issue.
• Abstract（参考訳）: 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。 本研究では,三重項サンプリング戦略と三重項損失形成を慎重に設計し,特に希少疾患の診断におけるクラス不均衡を緩和する新しい進歩型クラス中心三重項(pcct)フレームワークを提案する。 具体的には、PCCTフレームワークは、2つの連続的な段階を含む。 第1段階では、pcctはクラスバランスの三重項損失によって診断システムを訓練し、異なるクラスの分布を粗く分離する。 第2段階では、PCCTフレームワークは、クラス中心の3重項損失による診断システムをさらに改善し、各クラスによりコンパクトな分布をもたらす。 クラスバランスの三重項損失の場合、トレーニングイテレーション毎に三重項を等しくサンプリングし、不均衡なデータ問題を軽減する。 クラス中心による三重項損失では、各三重項の正と負のサンプルが対応するクラス中心に置き換えられ、クラス中心に近い同じクラスのデータ表現が強制される。 さらに、クラス中心三重項損失は、提案された枠組みの一般化を示すペアワイズランキング損失と四重項損失に拡張される。 広汎な実験により、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。 2つの皮膚画像データセットと1つの胸部X線データセットにおいて、各クラスの平均F1スコア86.2, 65.2, 90.66, 希少クラス81.4, 63.87, 81.92をそれぞれ取得し、最先端のパフォーマンスを達成し、クラス不均衡問題に対して広く使われている手法より優れている。

関連論文リスト

• Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
  不均衡の悪影響を軽減するために2つのプラグイン法を導入する。 まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。 第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
  論文  参考訳（メタデータ） (2024-07-18T17:59:44Z)
• DHC: Dual-debiased Heterogeneous Co-training Framework for Class-imbalanced Semi-supervised Medical Image Segmentation [19.033066343869862]
  半教師付き3次元医用画像セグメンテーションのためのDHC(Dual-debiased Heterogeneous Co-training)フレームワークを提案する。 具体的には,DistDW(Dis Distribution-aware Debiased Weighting)とDiffDW(DiffDW)の2つの損失重み付け戦略を提案する。 提案フレームワークは,クラス不均衡問題を緩和するために擬似ラベルを用いることで,大幅な改善を実現する。
  論文  参考訳（メタデータ） (2023-07-22T02:16:05Z)
• Overlapping oriented imbalanced ensemble learning method based on projective clustering and stagewise hybrid sampling [22.32930261633615]
  本稿では、二重クラスタリングとステージワイドハイブリッドサンプリング(DCSHS)に基づくアンサンブル学習アルゴリズムを提案する。 我々のアルゴリズムの大きな利点は、重なり合う多数サンプルのソフトな除去を実現するためにCSの交叉性を利用することができることである。
  論文  参考訳（メタデータ） (2022-11-30T01:49:06Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• 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)
• 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)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。