論文の概要: CLINICAL: Targeted Active Learning for Imbalanced Medical Image Classification

• arxiv url: http://arxiv.org/abs/2210.01520v1
• Date: Tue, 4 Oct 2022 10:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 14:35:09.212994
• Title: CLINICAL: Targeted Active Learning for Imbalanced Medical Image Classification
• Title（参考訳）: 臨床 : 不均衡医用画像分類のための能動的学習
• Authors: Suraj Kothawade, Atharv Savarkar, Venkat Iyer, Lakshman Tamil, Ganesh Ramakrishnan, Rishabh Iyer
• Abstract要約: 医学データに伴う自然クラス不均衡の問題により,いくつかのクラスで準最適性能が得られる場合が多い。 稀なクラスから重要なデータポイントをマイニングするために,サブモジュラー相互情報関数を取得関数として利用するフレームワークであるCerimentを提案する。 臨床は,レアクラスに属する多種多様なデータポイントを取得することにより,最先端のアクティブラーニング手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.576168993188315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training deep learning models on medical datasets that perform well for all classes is a challenging task. It is often the case that a suboptimal performance is obtained on some classes due to the natural class imbalance issue that comes with medical data. An effective way to tackle this problem is by using targeted active learning, where we iteratively add data points to the training data that belong to the rare classes. However, existing active learning methods are ineffective in targeting rare classes in medical datasets. In this work, we propose Clinical (targeted aCtive Learning for ImbalaNced medICal imAge cLassification) a framework that uses submodular mutual information functions as acquisition functions to mine critical data points from rare classes. We apply our framework to a wide-array of medical imaging datasets on a variety of real-world class imbalance scenarios - namely, binary imbalance and long-tail imbalance. We show that Clinical outperforms the state-of-the-art active learning methods by acquiring a diverse set of data points that belong to the rare classes.
• Abstract（参考訳）: すべてのクラスでうまく機能する医療データセットでディープラーニングモデルをトレーニングするのは難しい作業です。 医学データに伴う自然クラス不均衡の問題により,いくつかのクラスで準最適性能が得られる場合が多い。 この問題を解決する効果的な方法は、ターゲットとするアクティブラーニングを使用することで、レアクラスのトレーニングデータにデータポイントを反復的に追加する。 しかし、既存のアクティブラーニング手法は、医療データセットのレアクラスをターゲットにするには有効ではない。 本研究では,非モジュール型相互情報関数を獲得関数として用いて,稀なクラスから重要なデータポイントを抽出するフレームワークとして,ImbalaNced medICal imAge cLassificationを提案する。 我々は,このフレームワークを,現実世界の様々な不均衡シナリオ,すなわちバイナリ不均衡とロングテール不均衡の広い範囲の医用画像データセットに適用する。 臨床は,レアクラスに属する多様なデータポイントを取得することで,最先端のアクティブラーニング手法に勝ることを示す。

関連論文リスト

• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Active Data Discovery: Mining Unknown Data using Submodular Information Measures [1.7491858164568674]
  未知のデータスライスやクラスを効率的にマイニングできるアクティブなデータ発見フレームワークを提供する。 既存の最先端のアクティブな学習手法と比較して,提案手法の精度とラベル付け効率が向上することを示す。
  論文  参考訳（メタデータ） (2022-06-17T05:52:18Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• 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)
• SSLM: Self-Supervised Learning for Medical Diagnosis from MR Video [19.5917119072985]
  本稿では,磁気共鳴(MR)ビデオクリップから空間解剖学的表現を学習するための自己教師型学習手法を提案する。 提案する前文モデルは意味のある空間的文脈不変表現を学習する。 異なる実験は、プリテキストモデルによって学習された特徴が下流タスクで説明可能なパフォーマンスを提供することを示している。
  論文  参考訳（メタデータ） (2021-04-21T12:01:49Z)
• Diminishing Uncertainty within the Training Pool: Active Learning for Medical Image Segmentation [6.3858225352615285]
  医用画像データセットのセグメンテーション作業におけるアクティブラーニングについて検討する。 トレーニングデータセットをバイアスする不確実データの頻度の増大、入力画像間の相互情報を正規化として利用すること、およびスタイン変動勾配降下(SVGD)のためのダイスログの類似性(Dice log-likelihood)の適応という3つの新しいアクティブ学習戦略を提案する。 その結果、データセット毎に利用可能なデータの22.69 %と48.85 %をそれぞれ使用しながら、完全な精度を達成することで、データ削減の観点での改善が示された。
  論文  参考訳（メタデータ） (2021-01-07T01:55:48Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• 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)

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。