論文の概要: LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification
- arxiv url: http://arxiv.org/abs/2212.12741v2
- Date: Fri, 6 Sep 2024 13:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 21:18:57.335617
- Title: LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification
- Title(参考訳): LMFLOSS:不均衡な医用画像分類のためのハイブリッドロス
- Authors: Abu Adnan Sadi, Labib Chowdhury, Nusrat Jahan, Mohammad Newaz Sharif Rafi, Radeya Chowdhury, Faisal Ahamed Khan, Nabeel Mohammed,
- Abstract要約: 医用画像データセットにおけるクラス不均衡問題を軽減するために,Large Margin aware(LMF)損失という新しいフレームワークを提案する。
この枠組みは、マイノリティクラスに対してより広いマージンを課すことにより、両方の損失関数の明確な特性を利用する。
提案手法が他のベースライン法より一貫して優れていることを示す実証的証拠を提供する。
- 参考スコア(独自算出の注目度): 2.4866930218890837
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With advances in digital technology, the classification of medical images has become a crucial step for image-based clinical decision support systems. Automatic medical image classification represents a pivotal domain where the use of AI holds the potential to create a significant social impact. However, several challenges act as obstacles to the development of practical and effective solutions. One of these challenges is the prevalent class imbalance problem in most medical imaging datasets. As a result, existing AI techniques, particularly deep-learning-based methodologies, often underperform in such scenarios. In this study, we propose a novel framework called Large Margin aware Focal (LMF) loss to mitigate the class imbalance problem in medical imaging. The LMF loss represents a linear combination of two loss functions optimized by two hyperparameters. This framework harnesses the distinct characteristics of both loss functions by enforcing wider margins for minority classes while simultaneously emphasizing challenging samples found in the datasets. We perform rigorous experiments on three neural network architectures and with four medical imaging datasets. We provide empirical evidence that our proposed framework consistently outperforms other baseline methods, showing an improvement of 2%-9% in macro-f1 scores. Through class-wise analysis of f1 scores, we also demonstrate how the proposed framework can significantly improve performance for minority classes. The results of our experiments show that our proposed framework can perform consistently well across different architectures and datasets. Overall, our study demonstrates a simple and effective approach to addressing the class imbalance problem in medical imaging datasets. We hope our work will inspire new research toward a more generalized approach to medical image classification.
- Abstract(参考訳): デジタル技術の発展に伴い、医用画像の分類は画像ベースの臨床意思決定支援システムにとって重要なステップとなっている。
医療画像の自動分類は、AIの使用が大きな社会的影響を生み出す可能性を秘めている重要な領域である。
しかし、いくつかの課題は、実用的で効果的なソリューションの開発の障害として機能する。
これらの課題の1つは、ほとんどの医療画像データセットにおいて、一般的なクラス不均衡の問題である。
その結果、既存のAIテクニック、特にディープラーニングベースの方法論は、このようなシナリオではパフォーマンスが劣ることが多い。
本研究では,医療画像におけるクラス不均衡問題を軽減するために,Large Margin aware Focal(LMF)損失という新たな枠組みを提案する。
LMF損失は、2つのハイパーパラメータで最適化された2つの損失関数の線形結合を表す。
このフレームワークは、マイノリティクラスに対してより広いマージンを強制し、データセットにある挑戦的なサンプルを同時に強調することにより、両方の損失関数の明確な特性を利用する。
3つのニューラルネットワークアーキテクチャと4つの医用画像データセットに関する厳密な実験を行った。
提案手法は,マクロf1スコアの2%-9%向上を示すとともに,他のベースライン法よりも一貫して優れていることを示す実証的証拠を提供する。
また、f1スコアのクラスワイド分析を通じて、提案手法が少数クラスの性能を大幅に向上させることを示す。
実験の結果,提案するフレームワークは,異なるアーキテクチャやデータセットに対して一貫して動作することがわかった。
本研究は,医用画像データセットにおけるクラス不均衡問題に対する,簡便かつ効果的なアプローチを示すものである。
われわれの研究は、医療画像分類へのより一般的なアプローチに向けて、新たな研究を刺激することを期待している。
関連論文リスト
- Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
不均衡の悪影響を軽減するために2つのプラグイン法を導入する。
まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。
第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
論文 参考訳(メタデータ) (2024-07-18T17:59:44Z) - 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。