論文の概要: LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification
- arxiv url: http://arxiv.org/abs/2212.12741v1
- Date: Sat, 24 Dec 2022 14:19:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:40:42.140193
- Title: LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification
- Title(参考訳): LMFLOSS:不均衡な医療画像分類のためのハイブリッドロス
- Authors: Abu Adnan Sadi, Labib Chowdhury, Nursrat Jahan, Mohammad Newaz Sharif
Rafi, Radeya Chowdhury, Faisal Ahamed Khan, Nabeel Mohammed
- Abstract要約: 提案した損失関数は,ベースラインモデルと比較して2%~10%のマクロf1の改善と相反する性能を示した。
我々は,医用画像分類に対するより一般化されたアプローチに向けた新たな研究を期待する。
- 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: Automatic medical image classification is a very important field where the
use of AI has the potential to have a real social impact. However, there are
still many challenges that act as obstacles to making practically effective
solutions. One of those is the fact that most of the medical imaging datasets
have a class imbalance problem. This leads to the fact that existing AI
techniques, particularly neural network-based deep-learning methodologies,
often perform poorly in such scenarios. Thus this makes this area an
interesting and active research focus for researchers. In this study, we
propose a novel loss function to train neural network models to mitigate this
critical issue in this important field. Through rigorous experiments on three
independently collected datasets of three different medical imaging domains, we
empirically show that our proposed loss function consistently performs well
with an improvement between 2%-10% macro f1 when compared to the baseline
models. We hope that our work will precipitate new research toward a more
generalized approach to medical image classification.
- Abstract(参考訳): 医療画像の自動分類は、AIの使用が真の社会的影響をもたらす可能性がある非常に重要な分野である。
しかし、効果的なソリューションを作る上で障害となる課題は依然としてたくさんある。
そのうちの1つは、ほとんどの医療画像データセットがクラス不均衡の問題を持っているという事実である。
このことは、既存のAI技術、特にニューラルネットワークベースのディープラーニング手法が、このようなシナリオではよく機能しないという事実につながります。
そのため、この領域は研究者にとって興味深く活発な研究対象となっている。
本研究では,この重要な分野における重要な問題を緩和するために,ニューラルネットワークモデルをトレーニングするための新しい損失関数を提案する。
3つの異なる医用画像領域の独立に収集した3つのデータセットを厳密に実験した結果,提案する損失関数は,ベースラインモデルと比較して2%~10%マクロf1の改善と一貫して機能することが示された。
我々は,医用画像分類へのより一般化されたアプローチに向けた新たな研究を期待する。
関連論文リスト
- Towards objective and systematic evaluation of bias in medical imaging
AI [2.1937743088854584]
医療画像におけるバイアスがAIモデルに与える影響を調査するための新しい分析フレームワークを提案する。
医用画像AIの偏りを評価するために, サイリコ試験の制御を行うためのこのフレームワークを開発し, テストした。
論文 参考訳(メタデータ) (2023-11-03T01:37:28Z) - Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights
and Post-Processing with Autoencoders [10.59457299493644]
本稿では,医用画像セグメンテーションに適した深層学習手法を提案する。
提案手法は,U-Netでは平均12.26%,U-Net++では12.04%,皮膚筋炎データセットではResNetファミリーのエンコーダでは平均12.26%,最先端技術では12.04%に優れていた。
論文 参考訳(メタデータ) (2023-08-21T06:09:00Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Deep neuroevolution for limited, heterogeneous data: proof-of-concept
application to Neuroblastoma brain metastasis using a small virtual pooled
image collection [0.0]
我々は,様々な機関の画像からなる仮想プールデータセットにDNEを適用することで,過度な適合性と一般化性の両方に対処する。
症例はMRIで神経芽腫の脳転移を分類することである。神経芽腫はまれな癌であるため,目的に適している。
DNEの以前の研究と同様に、30の正常と30の転移を含むMRI脳スキャンと37%の外部画像からなる小さなトレーニングセットを使用しました。
論文 参考訳(メタデータ) (2022-11-26T07:03:37Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Medical Image Segmentation on MRI Images with Missing Modalities: A
Review [3.9548535445908928]
本研究の主な目的は、欠落したモダリティ補償ネットワークの性能評価を提供することである。
この問題のネガティブな影響を軽減するために、様々なアプローチが時間をかけて開発されてきた。
論文 参考訳(メタデータ) (2022-03-11T19:33:26Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - 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) - Deep Medical Image Analysis with Representation Learning and
Neuromorphic Computing [1.43494686131174]
回転やアフィン変換に頑健な表現を明示的に学習するカプセルネットワークを提案する。
第2に、最新のドメイン適応技術を活用して、新しい最先端の精度を実現する。
第3に、Intel Loihiニューロモルフィックチップでトレーニングされたスパイクニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-05-11T20:56:37Z)
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。