Fugu-MT 論文翻訳(概要): Auto Machine Learning for Medical Image Analysis by Unifying the Search on Data Augmentation and Neural Architecture

論文の概要: Auto Machine Learning for Medical Image Analysis by Unifying the Search on Data Augmentation and Neural Architecture

arxiv url: http://arxiv.org/abs/2207.10351v1
Date: Thu, 21 Jul 2022 08:12:22 GMT
ステータス: 処理完了
システム内更新日: 2022-07-22 13:00:39.986452
Title: Auto Machine Learning for Medical Image Analysis by Unifying the Search on Data Augmentation and Neural Architecture
Title（参考訳）: データ拡張とニューラルネットワークの検索を統一した医用画像解析のための自動機械学習
Authors: Jianwei Zhang, Dong Li, Lituan Wang, Lei Zhang
Abstract要約: そこで我々は,拡張密度マッチングという改良された拡張検索戦略を提案する。データ拡張とニューラルアーキテクチャの探索を統合することにより,効率的な自動機械学習(AutoML)アルゴリズムが提案された。実験の結果,提案手法はMedMNISTの最先端手法よりも優れていた。
参考スコア（独自算出の注目度）: 14.014720552434706
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated data augmentation, which aims at engineering augmentation policy automatically, recently draw a growing research interest. Many previous auto-augmentation methods utilized a Density Matching strategy by evaluating policies in terms of the test-time augmentation performance. In this paper, we theoretically and empirically demonstrated the inconsistency between the train and validation set of small-scale medical image datasets, referred to as in-domain sampling bias. Next, we demonstrated that the in-domain sampling bias might cause the inefficiency of Density Matching. To address the problem, an improved augmentation search strategy, named Augmented Density Matching, was proposed by randomly sampling policies from a prior distribution for training. Moreover, an efficient automatical machine learning(AutoML) algorithm was proposed by unifying the search on data augmentation and neural architecture. Experimental results indicated that the proposed methods outperformed state-of-the-art approaches on MedMNIST, a pioneering benchmark designed for AutoML in medical image analysis.
Abstract（参考訳）: 自動データ拡張(Automated Data Augmentation)は、エンジニアリングの強化ポリシーを自動で実現するものだ。従来の自動拡張手法の多くは、テスト時間拡張性能の観点からポリシーを評価することで密度マッチング戦略を利用した。そこで本稿では,本研究では,ドメイン内サンプリングバイアスと呼ばれる小型医用画像データセットの列車と検証セットの矛盾を理論的,実証的に実証した。次に、ドメイン内サンプリングバイアスが密度マッチングの非効率性を引き起こすことを示した。この問題を解決するために,事前分布からランダムにポリシーをサンプリングし,拡張密度マッチングという改良された拡張探索戦略を提案した。さらに、データ拡張とニューラルアーキテクチャの探索を統合することで、効率的な自動機械学習(AutoML)アルゴリズムを提案した。実験の結果,提案手法は,医療画像解析におけるAutoMLのための先駆的ベンチマークであるMedMNISTに対して,最先端のアプローチよりも優れていた。

関連論文リスト

Distributed Federated Learning-Based Deep Learning Model for Privacy MRI Brain Tumor Detection [11.980634373191542]
分散トレーニングは、大規模な医用画像データセットの処理を容易にし、疾患診断の精度と効率を向上させる。本稿では,データプライバシと効率的な疾患診断という2つの課題に対処するために,Federated Learning(FL)を活用した医用画像分類の革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-04-15T09:07:19Z)
ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文参考訳（メタデータ） (2023-09-03T07:55:46Z)
PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文参考訳（メタデータ） (2023-06-19T15:37:53Z)
Federated Offline Reinforcement Learning [55.326673977320574]
マルチサイトマルコフ決定プロセスモデルを提案する。我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
論文参考訳（メタデータ） (2022-06-11T18:03:26Z)
T-AutoML: Automated Machine Learning for Lesion Segmentation using Transformers in 3D Medical Imaging [10.559104567182686]
ディープラーニングに基づくアプローチは、従来の手法よりも大幅に性能を向上した。本稿では,機械学習アルゴリズムT-AutoMLを提案する。我々は,T-AutoMLを複数の大規模公共病変セグメントデータセットで検証し,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-11-15T04:57:53Z)
DAAS: Differentiable Architecture and Augmentation Policy Search [107.53318939844422]
この研究は、ニューラルネットワークとデータ拡張のカップリングの可能性を検討し、それらを共同で検索する効果的なアルゴリズムを提案する。 CIFAR-10では97.91%、ImageNetデータセットでは76.6%の精度で97.91%の精度を達成し、検索アルゴリズムの優れた性能を示している。
論文参考訳（メタデータ） (2021-09-30T17:15:17Z)
ParticleAugment: Sampling-Based Data Augmentation [80.44268663372233]
モデルトレーニング中に最適な拡張ポリシーとスケジュールを求めるために,粒子フィルタリングの定式化を提案する。 CIFAR-10, CIFAR-100, ImageNetデータセットにおいて, 自動拡張のための定式化が有望な結果に達することを示す。
論文参考訳（メタデータ） (2021-06-16T10:56:02Z)
The Imaginative Generative Adversarial Network: Automatic Data Augmentation for Dynamic Skeleton-Based Hand Gesture and Human Action Recognition [27.795763107984286]
本稿では、入力データの分布を近似し、この分布から新しいデータをサンプリングする新しい自動データ拡張モデルを提案する。以上の結果から,拡張戦略は訓練が高速であり,ニューラルネットワークと最先端手法の両方の分類精度を向上させることが可能であることが示唆された。
論文参考訳（メタデータ） (2021-05-27T11:07:09Z)
Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。逆生成したサンプルはドメイン適応時に使用される。その結果,本手法の有効性とタスクの一般性が確認された。
論文参考訳（メタデータ） (2021-01-13T03:20:20Z)
Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-10-07T12:51:17Z)
DADA: Differentiable Automatic Data Augmentation [58.560309490774976]
コストを大幅に削減する微分可能自動データ拡張(DADA)を提案する。 CIFAR-10, CIFAR-100, SVHN, ImageNetのデータセットについて広範な実験を行った。その結果,DADAは最先端技術よりも1桁以上高速であり,精度は極めて高いことがわかった。
論文参考訳（メタデータ） (2020-03-08T13:23:14Z)

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。