Fugu-MT 論文翻訳(概要): AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder

論文の概要: AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder

arxiv url: http://arxiv.org/abs/2303.05789v2
Date: Tue, 20 Feb 2024 18:54:36 GMT
ステータス: 処理完了
システム内更新日: 2024-02-21 21:42:58.617819
Title: AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder
Title（参考訳）: AnoMalNet:ディープオートエンコーダを利用したマラリア細胞画像分類法
Authors: Aminul Huq, Md Tanzim Reza, Shahriar Hossain, Shakib Mahmud Dipto
Abstract要約: クラス不均衡の最も極端な場合にも対応できる,オフレイヤ検出に基づくバイナリ医用画像分類手法を提案する。 AnoMalNetという名前のオートエンコーダモデルは、最初は感染していない細胞イメージのみで訓練されている。精度、精度、リコール、F1スコアはそれぞれ98.49%、97.07%、100%、98.52%に達した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Class imbalance is a pervasive issue in the field of disease classification from medical images. It is necessary to balance out the class distribution while training a model for decent results. However, in the case of rare medical diseases, images from affected patients are much harder to come by compared to images from non-affected patients, resulting in unwanted class imbalance. Various processes of tackling class imbalance issues have been explored so far, each having its fair share of drawbacks. In this research, we propose an outlier detection based binary medical image classification technique which can handle even the most extreme case of class imbalance. We have utilized a dataset of malaria parasitized and uninfected cells. An autoencoder model titled AnoMalNet is trained with only the uninfected cell images at the beginning and then used to classify both the affected and non-affected cell images by thresholding a loss value. We have achieved an accuracy, precision, recall, and F1 score of 98.49%, 97.07%, 100%, and 98.52% respectively, performing better than large deep learning models and other published works. As our proposed approach can provide competitive results without needing the disease-positive samples during training, it should prove to be useful in binary disease classification on imbalanced datasets.
Abstract（参考訳）: クラス不均衡は、医学画像から疾患分類の分野において広範囲にわたる問題である。適切な結果を得るためにモデルをトレーニングしながら、クラス分布のバランスを取る必要があります。しかし, 稀な医学疾患では, 非感染患者の画像に比べ, 患者からの画像の入手が困難であり, 不均衡が生じる。クラス不均衡問題に対処する様々なプロセスがこれまでに検討されており、それぞれに大きな欠点がある。本研究では, クラス不均衡の最も極端な事例にも対処可能な, 異常検出に基づくバイナリ医用画像分類手法を提案する。我々はマラリア寄生細胞と無感染細胞のデータセットを利用した。 AnoMalNetと題されたオートエンコーダモデルは、最初は感染していない細胞画像のみを用いて訓練され、損失値を閾値付けすることで、影響を受ける細胞画像と影響のない細胞画像の両方を分類するために使用される。精度,精度,リコール,f1スコアはそれぞれ98.49%,97.07%,100%,98.52%で,大規模なディープラーニングモデルや他の出版作品よりも優れています。提案手法は, トレーニング中に病陽性のサンプルを必要とせず, 競争的な結果を提供できるため, 不均衡データセット上でのバイナリ病分類に有用であることが証明される。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
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)
What limits performance of weakly supervised deep learning for chest CT classification? [0.44241702149260353]
ノイズの多いデータによる弱教師付き学習は、高品質な疾患ラベルの出現により、医用画像のコミュニティで注目されている。本稿では, ノイズデータに対するモデル耐性を検証し, 弱い監視効果を検証した。その結果, 疾患分類性能の低下を経験する前に, ラベルエラーを最大10%加えることができた。
論文参考訳（メタデータ） (2024-02-06T21:38:29Z)
Data Augmentation using Feature Generation for Volumetric Medical Images [0.08594140167290097]
医用画像分類は画像認識領域で最も重要な問題の一つである。この分野での大きな課題の1つは、ラベル付きトレーニングデータの不足である。特にディープラーニングモデルでは,画像のセグメンテーションや分類問題に関する有望な結果が示されている。
論文参考訳（メタデータ） (2022-09-28T13:46:24Z)
Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2022-06-27T06:51:48Z)
Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文参考訳（メタデータ） (2021-07-07T13:56:38Z)
Out-of-Distribution Detection for Dermoscopic Image Classification [0.0]
本研究では, 神経ネットワークを訓練する新しい簡易な手法を開発し, 皮膚疾患画像の分布を分類する。本研究では,BinaryHeadsモデルが,データのアンバランス時の分類バランス精度を損なわないだけでなく,バランス精度を一貫して改善していることを示した。
論文参考訳（メタデータ） (2021-04-15T23:34:53Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images [16.041873352037594]
副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。 CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
論文参考訳（メタデータ） (2020-07-29T06:24:53Z)
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)
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。