論文の概要: The effect of variable labels on deep learning models trained to predict breast density

• arxiv url: http://arxiv.org/abs/2210.04106v1
• Date: Sat, 8 Oct 2022 21:18:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 15:35:36.826944
• Title: The effect of variable labels on deep learning models trained to predict breast density
• Title（参考訳）: 乳房密度予測のための深層学習モデルに対する可変ラベルの効果
• Authors: Steven Squires, Elaine F. Harkness, D. Gareth Evans and Susan M. Astley
• Abstract要約: 高い乳房密度は、マンモグラフィスクリーニングの有効性の低下と乳癌の発症リスクの増大と関連している。 専門読者による密度評価は、がんリスクと強い関係を示すだけでなく、読影者間の変動も示している。 研究目的と臨床目的の両方に自動手法をどのように活用するかを考える際には,ラベルの変動がモデル性能に与える影響が重要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: High breast density is associated with reduced efficacy of mammographic screening and increased risk of developing breast cancer. Accurate and reliable automated density estimates can be used for direct risk prediction and passing density related information to further predictive models. Expert reader assessments of density show a strong relationship to cancer risk but also inter-reader variation. The effect of label variability on model performance is important when considering how to utilise automated methods for both research and clinical purposes. Methods: We utilise subsets of images with density labels to train a deep transfer learning model which is used to assess how label variability affects the mapping from representation to prediction. We then create two end-to-end deep learning models which allow us to investigate the effect of label variability on the model representation formed. Results: We show that the trained mappings from representations to labels are altered considerably by the variability of reader scores. Training on labels with distribution variation removed causes the Spearman rank correlation coefficients to rise from $0.751\pm0.002$ to either $0.815\pm0.006$ when averaging across readers or $0.844\pm0.002$ when averaging across images. However, when we train different models to investigate the representation effect we see little difference, with Spearman rank correlation coefficients of $0.846\pm0.006$ and $0.850\pm0.006$ showing no statistically significant difference in the quality of the model representation with regard to density prediction. Conclusions: We show that the mapping between representation and mammographic density prediction is significantly affected by label variability. However, the effect of the label variability on the model representation is limited.
• Abstract（参考訳）: 目的: 乳房密度が高いと, マンモグラフィスクリーニングの有効性が低下し, 乳癌の発生リスクが増大する。 正確で信頼性の高い自動密度推定は、リスクの直接予測や密度関連情報をさらなる予測モデルに渡すために使用できる。 専門家による密度評価は、がんのリスクとリーダー間の変異と強い関係を示している。 研究目的と臨床目的の両方に自動手法をどのように活用するかを考える場合,ラベルの変動がモデル性能に与える影響が重要である。 方法: 画像のサブセットを密度ラベルで利用して深層移動学習モデルを訓練し, ラベルの変動が表現から予測へのマッピングに与える影響を評価する。 次に2つのエンド・ツー・エンドのディープラーニングモデルを作成し,ラベル変動が生成したモデル表現に与える影響を調べる。 結果: 学習された表現からラベルへのマッピングは, 読者のスコアの変動によって大きく変化する。 分布の変化を除去したラベルのトレーニングにより、Spearmanの相関係数は0.751\pm0.002$から0.815\pm0.006$に上昇する。 しかし、表現効果を調べるために異なるモデルを訓練すると、スピアマンのランク相関係数が$0.846\pm0.006$と$0.850\pm0.006$で、密度予測に関してモデル表現の品質に統計的に有意な差は示さない。 結論: 表現とマンモグラフィ密度予測のマッピングはラベル変動に大きく影響することが示された。 しかし,ラベルの変動がモデル表現に与える影響は限られている。

関連論文リスト

• Exploring Data Augmentations on Self-/Semi-/Fully- Supervised Pre-trained Models [24.376036129920948]
  本研究では,データ拡張が視力事前訓練モデルの性能に与える影響について検討する。 ランダム消去(Random Erasing)、CutOut(CutOut)、CutMix(CutMix)、MixUp(MixUp)という4種類のデータ拡張を適用します。 画像分類,オブジェクト検出,インスタンスセグメンテーション,セマンティックセグメンテーションなどの視覚タスクにおける性能について報告する。
  論文  参考訳（メタデータ） (2023-10-28T23:46:31Z)
• Distilling Influences to Mitigate Prediction Churn in Graph Neural Networks [4.213427823201119]
  類似した性能を持つモデルは、予測チャーンと呼ばれる個々のサンプルの予測に大きな不一致を示す。 本研究では,モデル間でノードが使用する理由の変動を定量化するために,影響差(ID)と呼ばれる新しい指標を提案する。 また、安定なノードと不安定な予測を持つノードの違いも考慮し、どちらも同じ理由で異なる理由を生かしていると仮定する。 効率的な近似法としてDropDistillation(DD)を導入する。
  論文  参考訳（メタデータ） (2023-10-02T07:37:28Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Semi-Supervised Deep Regression with Uncertainty Consistency and Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
  我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。 整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。 実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-02-15T10:40:51Z)
• Variability Matters : Evaluating inter-rater variability in histopathology for robust cell detection [3.2873782624127843]
  本研究は,120名の病理組織学者を対象に,細胞抗原の多様性について大規模に検討した。 また, 格子間変動を犠牲にしてデータサイズを増大させることが, 細胞検出における優れた性能モデルに繋がるとは限らないことを示した。 これらの結果から,アノテータの評価は病理組織学領域の基本的予算問題に対処するのに役立つ可能性が示唆された。
  論文  参考訳（メタデータ） (2022-10-11T06:24:55Z)
• Nuisances via Negativa: Adjusting for Spurious Correlations via Data Augmentation [32.66196135141696]
  ラベルとの関係の異なる特徴はニュアンスである。 ニュアンスとラベルの関係を利用するモデルは、これらの関係が変化するとパフォーマンスが低下する。 我々は,意味論に関する知識をデータに悪用して利用するためのアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-04T01:40:31Z)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Label Distribution Amendment with Emotional Semantic Correlations for Facial Expression Recognition [69.18918567657757]
  意味空間における表現間の相関を利用して,各顔画像のラベル分布を補正する手法を提案する。 各画像のセマンティックグラフとタスククラス関連グラフを比較することにより、そのラベル分布の信頼性を評価する。 実験により,提案手法は最先端手法と比較した場合よりも有効であることが示された。
  論文  参考訳（メタデータ） (2021-07-23T07:46:14Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)
• 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)

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。