論文の概要: Few-Shot Classification of Skin Lesions from Dermoscopic Images by
Meta-Learning Representative Embeddings
- arxiv url: http://arxiv.org/abs/2210.16954v1
- Date: Sun, 30 Oct 2022 21:27:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 14:53:29.092773
- Title: Few-Shot Classification of Skin Lesions from Dermoscopic Images by
Meta-Learning Representative Embeddings
- Title（参考訳）: メタラーニングによる皮膚画像からの皮膚病変の少ない分類法
- Authors: Karthik Desingu and Mirunalini P. and Aravindan Chandrabose
- Abstract要約: 稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。
少ないショットラーニングとメタラーニングは、低いデータレシエーションでうまく機能することを目指して、これらの問題を克服することを目的としている。
本稿では,皮膚内視鏡画像の分類におけるメタラーニングの改善に焦点をあてる。
- 参考スコア（独自算出の注目度）: 1.957558771641347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Annotated images and ground truth for the diagnosis of rare and novel
diseases are scarce. This is expected to prevail, considering the small number
of affected patient population and limited clinical expertise to annotate
images. Further, the frequently occurring long-tailed class distributions in
skin lesion and other disease classification datasets cause conventional
training approaches to lead to poor generalization due to biased class priors.
Few-shot learning, and meta-learning in general, aim to overcome these issues
by aiming to perform well in low data regimes. This paper focuses on improving
meta-learning for the classification of dermoscopic images. Specifically, we
propose a baseline supervised method on the meta-training set that allows a
network to learn highly representative and generalizable feature embeddings for
images, that are readily transferable to new few-shot learning tasks. We follow
some of the previous work in literature that posit that a representative
feature embedding can be more effective than complex meta-learning algorithms.
We empirically prove the efficacy of the proposed meta-training method on
dermoscopic images for learning embeddings, and show that even simple linear
classifiers trained atop these representations suffice to outperform some of
the usual meta-learning methods.
- Abstract（参考訳）: 稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。
患者数が少ないことや、アノテート画像に対する臨床専門知識が限られていることを考えると、この傾向が予想される。
さらに、皮膚病変やその他の疾患分類データセットにおいて頻繁に発生する長い尾のクラス分布は、偏りのあるクラス先行による一般化の低下につながる。
少ないショット学習とメタラーニングは、低データ環境でうまく機能することを目指して、これらの問題を克服することを目的としている。
本稿では,皮膚鏡像の分類におけるメタラーニングの改善に着目する。
具体的には,メタトレーニングセットをベースラインで教師する手法を提案する。これにより,ネットワークは,画像の高度に代表的で一般化可能な特徴埋め込みを学習することができる。
我々は、典型的な機能組込みが複雑なメタ学習アルゴリズムよりも効果的であることを示す、文献の以前のいくつかの研究に従う。
そこで本研究では,本手法の有効性を実証的に証明し,これらの表現の上に訓練された単純な線形分類器であっても,通常のメタラーニング手法に勝ることを示す。
関連論文リスト
- Boosting Few-Shot Learning with Disentangled Self-Supervised Learning and Meta-Learning for Medical Image Classification [8.975676404678374]
低データ体制下で訓練されたモデルの性能と一般化能力を改善するための戦略を提案する。
提案手法は、自己教師付き学習環境において学習した特徴をアンタングル化して、下流タスクの表現の堅牢性を向上する事前学習段階から開始する。
次に、メタファインニングのステップを導入し、メタトレーニングとメタテストフェーズの関連クラスを活用するが、レベルは変化する。
論文 参考訳（メタデータ） (2024-03-26T09:36:20Z) - A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。
この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
論文 参考訳（メタデータ） (2023-09-20T16:10:53Z) - Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-07-31T17:59:42Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - Domain Generalization on Medical Imaging Classification using Episodic
Training with Task Augmentation [62.49837463676111]
本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。
実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
論文 参考訳（メタデータ） (2021-06-13T03:56:59Z) - Few-shot segmentation of medical images based on meta-learning with
implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。
このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文 参考訳（メタデータ） (2021-06-06T19:52:06Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-04-14T22:46:20Z)
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。