論文の概要: Incoporating Weighted Board Learning System for Accurate Occupational Pneumoconiosis Staging

• arxiv url: http://arxiv.org/abs/2208.06607v1
• Date: Sat, 13 Aug 2022 09:31:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 14:15:07.838177
• Title: Incoporating Weighted Board Learning System for Accurate Occupational Pneumoconiosis Staging
• Title（参考訳）: 重度ボード学習システムによる正確な職業性肺炎の診断
• Authors: Kaiguang Yang, Yeping Wang, Qianhao Luo, Xin Liu, Weiling Li
• Abstract要約: 職業性肺気腫症 (OP) の進行は, 患者の肺の健康に関する重要な課題である。 患者のステージング結果は、ステージング標準と胸部X線に依存している。 OPデータの分布は一般に不均衡であり、分類モデルの影響を大幅に減少させる。
• 参考スコア（独自算出の注目度）: 2.6279558928497218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Occupational pneumoconiosis (OP) staging is a vital task concerning the lung healthy of a subject. The staging result of a patient is depended on the staging standard and his chest X-ray. It is essentially an image classification task. However, the distribution of OP data is commonly imbalanced, which largely reduces the effect of classification models which are proposed under the assumption that data follow a balanced distribution and causes inaccurate staging results. To achieve accurate OP staging, we proposed an OP staging model who is able to handle imbalance data in this work. The proposed model adopts gray level co-occurrence matrix (GLCM) to extract texture feature of chest X-ray and implements classification with a weighted broad learning system (WBLS). Empirical studies on six data cases provided by a hospital indicate that proposed model can perform better OP staging than state-of-the-art classifiers with imbalanced data.
• Abstract（参考訳）: 職業性肺気腫症 (OP) は, 患者の肺の健康に重要な課題である。 患者のステージング結果は、ステージング標準と胸部X線に依存している。 基本的には画像分類タスクである。 しかし、opデータの分布は一般に不均衡であり、データはバランスのとれた分布に従い、不正確なステージング結果を引き起こすという仮定の下で提案された分類モデルの影響をほとんど減少させる。 正確なOPステージングを実現するため、我々はこの作業で不均衡なデータを処理できるOPステージングモデルを提案した。 提案モデルでは,胸部X線のテクスチャ特性を抽出するためにグレーレベル共起行列 (GLCM) を採用し,重み付き広義学習システム (WBLS) を用いた分類を実装した。 病院が提供した6つのデータケースに関する実証研究は、不均衡なデータを持つ最先端の分類器よりも、提案モデルの方が優れたオペステージングを実現できることを示している。

関連論文リスト

• PRECISe : Prototype-Reservation for Explainable Classification under Imbalanced and Scarce-Data Settings [0.0]
  PreCISeは,3つの課題すべてに対処するために,簡潔に構築された説明可能な設計モデルである。 PreCISeは、マイノリティクラスへのデータ効率的な一般化において、現在の最先端メソッドよりも優れています。 ケーススタディでは、モデルが容易に解釈可能な予測を生成する能力を強調している。
  論文  参考訳（メタデータ） (2024-08-11T12:05:32Z)
• Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
  医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。 このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。 不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-13T10:51:18Z)
• MCRAGE: Synthetic Healthcare Data for Fairness [3.0089659534785853]
  そこで本稿では,MCRAGE (Generative Modeling) の強化による不均衡データセットの増大によるマイノリティクラス再バランスを提案する。 MCRAGEは、デノイング拡散確率モデル (Denoising Diffusion Probabilistic Model, CDDPM) を訓練し、未表現のクラスから高品質な合成EHRサンプルを生成する。 この合成データを使用して、既存の不均衡なデータセットを増大させ、その結果、すべてのクラスにまたがるよりバランスの取れた分散を実現します。
  論文  参考訳（メタデータ） (2023-10-27T19:02:22Z)
• 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)
• Enhancing Clinical Predictive Modeling through Model Complexity-Driven Class Proportion Tuning for Class Imbalanced Data: An Empirical Study on Opioid Overdose Prediction [7.13083572359416]
  医学領域にはクラス不均衡の問題が広く存在し、臨床予測モデルの性能が著しく低下する。 問題再均衡のクラス比を緩和するほとんどのテクニックは、再均衡の比率は元のデータの関数であり、使用するモデルに不利である、と主に仮定する。 この研究は、この一般的な仮定に挑戦し、最適なクラス比例とモデルの複雑性を結びつけることによって、モデル毎のクラス比例を調整することを提案している。
  論文  参考訳（メタデータ） (2023-05-09T19:14:01Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• An Adversarial Approach for the Robust Classification of Pneumonia from Chest Radiographs [9.462808515258464]
  ディープラーニングモデルは、しばしばデータセットシフトによるパフォーマンス損失を示す。 1つの病院システムからのデータを用いてトレーニングされたモデルは、同一病院のデータでテストすると高い予測性能を得るが、異なる病院システムでテストした場合は著しく悪化する。 我々は,共同創設者に依存しないより堅牢なモデルを学ぶことができる,逆最適化に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-13T03:49:05Z)

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。