論文の概要: Skin Lesion Recognition with Class-Hierarchy Regularized Hyperbolic Embeddings

• arxiv url: http://arxiv.org/abs/2209.05842v1
• Date: Tue, 13 Sep 2022 09:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 12:59:58.207520
• Title: Skin Lesion Recognition with Class-Hierarchy Regularized Hyperbolic Embeddings
• Title（参考訳）: 階層的正規化ハイパーボリック・エンベディングを用いた皮膚病変認識
• Authors: Zhen Yu, Toan Nguyen, Yaniv Gal, Lie Ju, Shekhar S. Chandra, Lei Zhang, Paul Bonnington, Victoria Mar, Zhiyong Wang, Zongyuan Ge
• Abstract要約: 画像埋め込みとクラスプロトタイプを共同で学習する双曲ネットワークを提案する。 65例の皮膚疾患に対して,約230kの皮膚内視鏡像からなる社内皮膚病変データセットを用いて,本法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 17.31938855117003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practice, many medical datasets have an underlying taxonomy defined over the disease label space. However, existing classification algorithms for medical diagnoses often assume semantically independent labels. In this study, we aim to leverage class hierarchy with deep learning algorithms for more accurate and reliable skin lesion recognition. We propose a hyperbolic network to learn image embeddings and class prototypes jointly. The hyperbola provably provides a space for modeling hierarchical relations better than Euclidean geometry. Meanwhile, we restrict the distribution of hyperbolic prototypes with a distance matrix that is encoded from the class hierarchy. Accordingly, the learned prototypes preserve the semantic class relations in the embedding space and we can predict the label of an image by assigning its feature to the nearest hyperbolic class prototype. We use an in-house skin lesion dataset which consists of around 230k dermoscopic images on 65 skin diseases to verify our method. Extensive experiments provide evidence that our model can achieve higher accuracy with less severe classification errors than models without considering class relations.
• Abstract（参考訳）: 実際には、多くの医学データセットは、疾患ラベル空間上で定義された基礎的な分類を持っている。 しかし、既存の医学診断のための分類アルゴリズムは、しばしば意味的に独立したラベルを仮定する。 本研究では,より正確で信頼性の高い皮膚病変認識のために,クラス階層とディープラーニングアルゴリズムを活用することを目的とする。 画像埋め込みとクラスプロトタイプを共同で学習する双曲ネットワークを提案する。 双曲線はユークリッド幾何学よりも階層関係をモデル化するための空間を提供する。 一方、クラス階層から符号化された距離行列を持つ双曲型プロトタイプの分布を制限する。 したがって,学習したプロトタイプは埋め込み空間における意味クラス関係を保ち,その特徴を最も近い双曲型プロトタイプに割り当てることで画像のラベルを予測することができる。 65例の皮膚疾患に対して,約230kの皮膚内視鏡像を用いた社内皮膚病変データセットを用いて検討を行った。 広範な実験により,本モデルがクラス間関係を考慮せずに,モデルよりも厳格な分類誤差を低減し,高い精度を達成できることを示す。

関連論文リスト

• CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification [1.9574002186090493]
  広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。 2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-12-12T04:38:30Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation [50.772432242082914]
  既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。 本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。 完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
  論文  参考訳（メタデータ） (2022-05-27T13:02:07Z)
• Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs [0.7734726150561088]
  胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。 ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。 我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-07-14T09:04:20Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• A Fully Hyperbolic Neural Model for Hierarchical Multi-Class Classification [7.8176853587105075]
  双曲空間は、記号データの階層的表現を学ぶために数学的に魅力的なアプローチを提供する。 本研究は,双曲空間におけるすべての操作を実行する多クラス多ラベル分類のための完全双曲モデルを提案する。 徹底的な分析では、最終予測における各コンポーネントの影響に光を当て、ユークリッド層との統合の容易さを示している。
  論文  参考訳（メタデータ） (2020-10-05T14:42:56Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Hierarchical Image Classification using Entailment Cone Embeddings [68.82490011036263]
  まずラベル階層の知識を任意のCNNベースの分類器に注入する。 画像からの視覚的セマンティクスと組み合わせた外部セマンティクス情報の利用が全体的な性能を高めることを実証的に示す。
  論文  参考訳（メタデータ） (2020-04-02T10:22:02Z)
• The GraphNet Zoo: An All-in-One Graph Based Deep Semi-Supervised Framework for Medical Image Classification [0.0]
  ラベルが限られている場合、医療画像データセットを分類する問題を考える。 半教師付き学習を用いることで、ラベル付きデータの量を大幅に削減して正確な分類を行うことができる。 本稿では,グラフに基づくアプローチに着目した,深い半教師付き分類のためのオールインワンフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T19:18:21Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。