論文の概要: How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers?

• arxiv url: http://arxiv.org/abs/2308.09180v1
• Date: Thu, 17 Aug 2023 20:40:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 15:27:04.719549
• Title: How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers?
• Title（参考訳）: プルーニングは長尺型マルチラベル医用画像分類にどのように影響するか?
• Authors: Gregory Holste, Ziyu Jiang, Ajay Jaiswal, Maria Hanna, Shlomo Minkowitz, Alan C. Legasto, Joanna G. Escalon, Sharon Steinberger, Mark Bittman, Thomas C. Shen, Ying Ding, Ronald M. Summers, George Shih, Yifan Peng, and Zhangyang Wang
• Abstract要約: プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
• 参考スコア（独自算出の注目度）: 49.35105290167996
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pruning has emerged as a powerful technique for compressing deep neural networks, reducing memory usage and inference time without significantly affecting overall performance. However, the nuanced ways in which pruning impacts model behavior are not well understood, particularly for long-tailed, multi-label datasets commonly found in clinical settings. This knowledge gap could have dangerous implications when deploying a pruned model for diagnosis, where unexpected model behavior could impact patient well-being. To fill this gap, we perform the first analysis of pruning's effect on neural networks trained to diagnose thorax diseases from chest X-rays (CXRs). On two large CXR datasets, we examine which diseases are most affected by pruning and characterize class "forgettability" based on disease frequency and co-occurrence behavior. Further, we identify individual CXRs where uncompressed and heavily pruned models disagree, known as pruning-identified exemplars (PIEs), and conduct a human reader study to evaluate their unifying qualities. We find that radiologists perceive PIEs as having more label noise, lower image quality, and higher diagnosis difficulty. This work represents a first step toward understanding the impact of pruning on model behavior in deep long-tailed, multi-label medical image classification. All code, model weights, and data access instructions can be found at https://github.com/VITA-Group/PruneCXR.
• Abstract（参考訳）: プルーニングは、ディープニューラルネットワークを圧縮する強力な技術として登場し、全体的なパフォーマンスに大きな影響を与えずに、メモリ使用量と推論時間を削減した。 しかしながら、プランニングがモデル行動に影響を及ぼすニュアンス的方法は、特に臨床設定でよく見られるロングテールのマルチラベルデータセットについて、よく理解されていない。 この知識ギャップは、予期せぬモデル行動が患者の健康に影響を及ぼすような診断のためのプルーニングモデルを展開する際に、危険な意味を持つ可能性がある。 このギャップを埋めるために,胸部x線(cxrs)から胸部疾患を診断するために訓練されたニューラルネットワークに対するpruningの効果を初めて解析した。 2つの大きなCXRデータセットにおいて,どの疾患がプルーニングによって最も影響を受けているかを調べ,疾患頻度と共起行動に基づく「忘れられる可能性」を特徴付ける。 さらに,プレニング識別指数 (PIE) として知られる非圧縮モデルと重プルーニングモデルが一致しない個々のCXRを同定し,その統一性を評価するために人間読者による研究を行う。 放射線科医は,PIEのラベルノイズの増加,画像品質の低下,診断の難しさを認識できる。 本研究は,遠尾部の多面体医用画像分類におけるモデル行動に対するプルーニングの影響を理解するための第一歩である。 すべてのコード、モデルウェイト、データアクセス命令はhttps://github.com/VITA-Group/PruneCXRで確認できる。

関連論文リスト

• CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
  CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。 我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
  論文  参考訳（メタデータ） (2024-08-09T09:08:06Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks [6.420262246029286]
  本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。 提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
  論文  参考訳（メタデータ） (2021-05-20T13:13:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for Identifying COVID-19 on Chest X-rays [4.566180616886624]
  胸部X線からCOVID-19を分類するためのグラフベースの深層半監督フレームワークを提案する。 本フレームワークでは,グラフ拡散の最適化モデルを導入し,小さなラベル付き集合と膨大な未ラベルデータとの自然関係を補強する。 実験を通して、我々のモデルは、ラベル付き例のごく一部で、現在の先行教師付きモデルより優れていることを実証した。
  論文  参考訳（メタデータ） (2020-09-30T15:38:24Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。