論文の概要: Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification

• arxiv url: http://arxiv.org/abs/2307.15987v1
• Date: Sat, 29 Jul 2023 13:38:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-01 18:28:45.275255
• Title: Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification
• Title（参考訳）: 半監督型医用画像分類のためのクラス別分布アライメント
• Authors: Zhongzheng Huang, Jiawei Wu, Tao Wang, Zuoyong Li, Anastasia Ioannou
• Abstract要約: CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。 本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
• 参考スコア（独自算出の注目度）: 14.343079589464994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the success of deep neural networks in medical image classification, the problem remains challenging as data annotation is time-consuming, and the class distribution is imbalanced due to the relative scarcity of diseases. To address this problem, we propose Class-Specific Distribution Alignment (CSDA), a semi-supervised learning framework based on self-training that is suitable to learn from highly imbalanced datasets. Specifically, we first provide a new perspective to distribution alignment by considering the process as a change of basis in the vector space spanned by marginal predictions, and then derive CSDA to capture class-dependent marginal predictions on both labeled and unlabeled data, in order to avoid the bias towards majority classes. Furthermore, we propose a Variable Condition Queue (VCQ) module to maintain a proportionately balanced number of unlabeled samples for each class. Experiments on three public datasets HAM10000, CheXpert and Kvasir show that our method provides competitive performance on semi-supervised skin disease, thoracic disease, and endoscopic image classification tasks.
• Abstract（参考訳）: 深層ニューラルネットワークが医療画像分類に成功しても,データアノテーションは時間を要する上に,疾患の相対的不足によりクラス分布が不均衡であるため,課題は残る。 そこで本研究では,高度に不均衡なデータセットから学ぶのに適した自己学習に基づく半教師付き学習フレームワークであるクラス固有分布アライメント(csda)を提案する。 具体的には,まず分布のアライメントに対する新たな視点として,その過程を辺縁予測によるベクトル空間の基底の変化として考慮し,次にCSDAを導出し,ラベル付きデータとラベルなしデータの両方でクラス依存の辺縁予測を捕捉し,多数クラスへの偏りを避ける。 さらに,各クラスに対して比例バランスの取れないサンプル数を維持するための可変条件キュー(vcq)モジュールを提案する。 ham10000, chexpert, kvasirの3つの公開データセットにおける実験により, 半教師あり皮膚疾患, 胸部疾患, 内視鏡的画像分類課題において, 競合する性能が得られた。

関連論文リスト

• Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
  医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。 このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。 不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-03-13T10:51:18Z)
• Twice Class Bias Correction for Imbalanced Semi-Supervised Learning [59.90429949214134]
  textbfTwice textbfClass textbfBias textbfCorrection (textbfTCBC) と呼ばれる新しいアプローチを導入する。 トレーニング過程におけるモデルパラメータのクラスバイアスを推定する。 非ラベル標本に対してモデルの擬似ラベルに二次補正を適用する。
  論文  参考訳（メタデータ） (2023-12-27T15:06:36Z)
• SPLAL: Similarity-based pseudo-labeling with alignment loss for semi-supervised medical image classification [11.435826510575879]
  半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。 医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。 本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
  論文  参考訳（メタデータ） (2023-07-10T14:53:24Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• 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)
• Calibrating Label Distribution for Class-Imbalanced Barely-Supervised Knee Segmentation [11.21648118505577]
  半教師付き学習(SSL)は、ラベル付きデータの不十分なトレーニングに非常に望ましい。 うるさいラベルとバランスの取れないラベルを伴い, 膝のセグメンテーションをほとんど指導しない新しい枠組みを提案する。 我々の手法は最先端のSSLメソッドよりも優れています。
  論文  参考訳（メタデータ） (2022-05-07T12:53:06Z)
• 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)
• Semi-supervised learning for medical image classification using imbalanced training data [11.87832944550453]
  本稿では,摂動型SSL方式における整合性損失の代替として,適応的Blended Consistency Loss (ABCL)を提案する。 ABCLは、クラス周波数に応じて、目標とする一貫性損失のクラス分布を適応的に混合してデータスキューに対処する。 ABCLを用いた実験により,2つの不均衡な医用画像分類データセットにおける非重み付き平均リコールの改善が示された。
  論文  参考訳（メタデータ） (2021-08-20T01:06:42Z)
• RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data [47.00510780034136]
  クラス不均衡は疾患予測の分野でよく知られた問題である。 本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
  論文  参考訳（メタデータ） (2021-02-27T14:06:27Z)
• 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。