論文の概要: Quantifying the Effect of Image Similarity on Diabetic Foot Ulcer Classification

• arxiv url: http://arxiv.org/abs/2304.12987v1
• Date: Tue, 25 Apr 2023 16:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-26 19:37:51.864965
• Title: Quantifying the Effect of Image Similarity on Diabetic Foot Ulcer Classification
• Title（参考訳）: 糖尿病足部潰瘍分類における画像類似性の影響の定量化
• Authors: Imran Chowdhury Dipto, Bill Cassidy, Connah Kendrick, Neil D. Reeves, Joseph M. Pappachan, Vishnu Chandrabalan, Moi Hoon Yap
• Abstract要約: 本研究は,深層学習分類ネットワークを訓練する際の糖尿病性足底潰瘍データセットにおける視覚的に類似した画像の効果について検討する。 ディープラーニングアルゴリズムのトレーニングに使用されるデータセットにバイナリIDの重複画像が存在することは、ネットワーク性能を低下させる不必要なバイアスをもたらす可能性がある。 我々は、オープンソースのファジィアルゴリズムを使用して、2021年の糖尿病性フット潰瘍のトレーニングデータセットで、ますます類似した画像のグループを特定します。
• 参考スコア（独自算出の注目度）: 4.318783737552881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research conducts an investigation on the effect of visually similar images within a publicly available diabetic foot ulcer dataset when training deep learning classification networks. The presence of binary-identical duplicate images in datasets used to train deep learning algorithms is a well known issue that can introduce unwanted bias which can degrade network performance. However, the effect of visually similar non-identical images is an under-researched topic, and has so far not been investigated in any diabetic foot ulcer studies. We use an open-source fuzzy algorithm to identify groups of increasingly similar images in the Diabetic Foot Ulcers Challenge 2021 (DFUC2021) training dataset. Based on each similarity threshold, we create new training sets that we use to train a range of deep learning multi-class classifiers. We then evaluate the performance of the best performing model on the DFUC2021 test set. Our findings show that the model trained on the training set with the 80\% similarity threshold images removed achieved the best performance using the InceptionResNetV2 network. This model showed improvements in F1-score, precision, and recall of 0.023, 0.029, and 0.013, respectively. These results indicate that highly similar images can contribute towards the presence of performance degrading bias within the Diabetic Foot Ulcers Challenge 2021 dataset, and that the removal of images that are 80\% similar from the training set can help to boost classification performance.
• Abstract（参考訳）: 本研究は,深層学習分類ネットワークを訓練する際の糖尿病性足底潰瘍データセットにおける視覚的に類似した画像の効果について検討する。 ディープラーニングアルゴリズムのトレーニングに使用されるデータセットにバイナリIDの重複画像が存在することは、ネットワークパフォーマンスを劣化させる不必要なバイアスを生じさせる、よく知られた問題である。 しかし, 視覚的に類似した非同一性像の影響は未検討の話題であり, 糖尿病性足部潰瘍研究ではまだ検討されていない。 我々は,糖尿病性足潰瘍2021(dfuc2021)トレーニングデータセットにおける類似画像群を,オープンソースのファジィアルゴリズムを用いて同定する。 それぞれの類似度しきい値に基づいて、ディープラーニング多クラス分類器のトレーニングに使用する新しいトレーニングセットを作成します。 次に,dfuc2021テストセットにおけるベストパフォーマンスモデルの性能評価を行った。 InceptionResNetV2ネットワークを用いて,80\%の類似度閾値画像が除去されたトレーニングセットでトレーニングしたモデルが最も優れた性能を示した。 このモデルは、それぞれ0.023、0.029、0.013のf1-score、精度、リコールを改善した。 これらの結果から, 糖尿病性フット潰瘍チャレンジ2021データセットにおけるパフォーマンス劣化バイアスの存在に極めて類似した画像が寄与し, トレーニングセットから80%類似した画像の除去が分類性能の向上に有効であることが示唆された。

関連論文リスト

• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Transfer-Ensemble Learning based Deep Convolutional Neural Networks for Diabetic Retinopathy Classification [0.7614628596146599]
  本稿では,糖尿病性網膜症 (DR) を,VGG16 と Inception V3 の2つのよく訓練された畳み込みニューラルネットワークに基づくアンサンブルアプローチを用いて,5つのクラスに分類することを目的とする。 実験結果から,DR分類におけるアンサンブルモデルの有効性が96.4%の精度で示された。
  論文  参考訳（メタデータ） (2023-08-01T13:07:39Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
  糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。 まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。 最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
  論文  参考訳（メタデータ） (2022-12-12T22:06:47Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Boosting EfficientNets Ensemble Performance via Pseudo-Labels and Synthetic Images by pix2pixHD for Infection and Ischaemia Classification in Diabetic Foot Ulcers [2.191505742658975]
  本研究は,2021年糖尿病足部潰瘍チャレンジ(DFUC)の一環として実施した感染症と虚血の分類について検討した。 結果として得られたトレーニングデータセットは、ベースラインの8.68ドルのサイズを特徴としている。 ベースラインと拡張トレーニングデータセットに基づいてトレーニングされたモデルとアンサンブルのパフォーマンスを比較した。
  論文  参考訳（メタデータ） (2021-11-30T19:42:06Z)
• FEDI: Few-shot learning based on Earth Mover's Distance algorithm combined with deep residual network to identify diabetic retinopathy [3.6623193507510012]
  本稿では,Earth Moverのアルゴリズムをベースとした,糖尿病網膜症の診断支援を目的とした深部残像ネットワークの複数ショット学習モデルを提案する。 我々は,1000サンプルデータの39カテゴリに基づいて,数ショット学習のためのトレーニングと検証の分類タスクを構築し,深層残留ネットワークを訓練し,経験的事前学習モデルを得る。 事前学習モデルの重みに基づいて、Earth MoverのDistanceアルゴリズムは画像間の距離を計算し、画像間の類似性を求め、モデルのパラメータを変更してトレーニングモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2021-08-22T13:05:02Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Deep Learning in Diabetic Foot Ulcers Detection: A Comprehensive Evaluation [14.227261503586599]
  本稿では、入賞チームが提案するディープラーニングに基づくアルゴリズムを比較し、DFUC 2020の結果を要約する。 最高の性能は、より高速なR-CNNの変種であるDeformable Convolutionから得られ、平均平均精度は0.6940、F1スコアは0.7434である。
  論文  参考訳（メタデータ） (2020-10-07T11:31:27Z)
• Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
  我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。 これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。 非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
  論文  参考訳（メタデータ） (2020-08-28T23:05:15Z)
• 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)

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。