論文の概要: Task-specific regularization loss towards model calibration for reliable lung cancer detection

• arxiv url: http://arxiv.org/abs/2401.11464v1
• Date: Sun, 21 Jan 2024 11:12:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 16:37:18.417936
• Title: Task-specific regularization loss towards model calibration for reliable lung cancer detection
• Title（参考訳）: 信頼性肺がん検出のためのモデル校正に向けたタスク特異的正規化損失
• Authors: Mehar Prateek Kalra, Mansi Singhal, Rohan Raju Dhanakashirur
• Abstract要約: 肺がんは、世界中のがん関連死亡の重大な原因の1つである。 伝統的にCTスキャンは、最も重要な肺感染症情報を抽出し、がんを診断するために用いられてきた。 本稿では,ニューラルネットワークを校正し,過信ミスのリスクを低減するタスク固有損失関数を提案する。
• 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: Lung cancer is one of the significant causes of cancer-related deaths globally. Early detection and treatment improve the chances of survival. Traditionally CT scans have been used to extract the most significant lung infection information and diagnose cancer. This process is carried out manually by an expert radiologist. The imbalance in the radiologists-to-population ratio in a country like India implies significant work pressure on them and thus raises the need to automate a few of their responsibilities. The tendency of modern-day Deep Neural networks to make overconfident mistakes limit their usage to detect cancer. In this paper, we propose a new task-specific loss function to calibrate the neural network to reduce the risk of overconfident mistakes. We use the state-of-the-art Multi-class Difference in Confidence and Accuracy (MDCA) loss in conjunction with the proposed task-specific loss function to achieve the same. We also integrate post-hoc calibration by performing temperature scaling on top of the train-time calibrated model. We demonstrate 5.98% improvement in the Expected Calibration Error (ECE) and a 17.9% improvement in Maximum Calibration Error (MCE) as compared to the best-performing SOTA algorithm.
• Abstract（参考訳）: 肺がんは、世界中のがん関連死亡の原因の1つである。 早期発見と治療は生存の可能性を高める。 伝統的にCTスキャンは、最も重要な肺感染症情報を抽出し、がんを診断するために用いられてきた。 このプロセスは専門家の放射線技師によって手作業で実行される。 インドのような国における放射線技師と人口の比率の不均衡は、労働のプレッシャーを著しく高めるため、いくつかの責任を自動化する必要が生じる。 現代のディープニューラルネットワークの過度なミスに対する傾向は、がんを検出するためにの使用を制限する。 本稿では,ニューラルネットワークを校正し,自信過剰な誤りのリスクを低減するタスク固有損失関数を提案する。 我々は,提案したタスク固有損失関数と合わせて,信頼性と正確性の多クラス差分(MDCA)損失を用いてこれを実現する。 また,列車時キャリブレーションモデル上で温度スケーリングを行うことにより,ポストホックキャリブレーションも統合する。 予測校正誤差(ECE)は5.98%改善し,最大校正誤差(MCE)は17.9%改善した。

関連論文リスト

• MSDet: Receptive Field Enhanced Multiscale Detection for Tiny Pulmonary Nodule [17.838015589388014]
  肺結節は肺癌の早期診断における重要な指標である。 従来のCT画像撮影法は、煩雑な処置、低検出率、ローカライゼーション精度の低下に悩まされていた。 肺小結節検出のためのマルチスケールアテンションおよび受容野ネットワークであるMSDetを提案する。
  論文  参考訳（メタデータ） (2024-09-21T06:08:23Z)
• Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction [4.00189087655119]
  本稿では, 先行知識を取り入れ, 不均一な医用サンプル分布の問題に対処し, mpMRIにおける高い解釈可能性を維持するソリューションを提案する。 まず,前立腺癌に対するPI-RADS基準をモデルトレーニングの診断情報として数学的にモデル化する,事前知識に基づく特徴抽出手法を提案する。 次に、極めて不均衡なデータ問題に対処するため、適応的リコールフィードバック損失を提案する。 第3に、前立腺癌を解釈可能な方法で異なるレベルに分類する拡張前立腺癌を設計する。
  論文  参考訳（メタデータ） (2024-08-19T07:18:06Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• A Combined PCA-MLP Network for Early Breast Cancer Detection [0.0]
  我々は、患者が乳がんに直面するかどうかを検出するために、異なる機械学習アルゴリズムを研究した。 われわれの4層PCAネットワークは、BCCDデータセットの平均90.48%で100%の精度を得た。
  論文  参考訳（メタデータ） (2022-06-18T06:17:40Z)
• Leveraging Uncertainty in Deep Learning for Pancreatic Adenocarcinoma Grading [0.0]
  膵癌は、他のがんと比較して最悪の予後の1つである。 膵腺癌を診断するための現在の手関節組織学的評価は時間を要するため,誤診が頻発することが多い。 デジタル病理学では、AIに基づくがんのグレーディングは予測と不確実性定量化において極めて正確でなければならない。
  論文  参考訳（メタデータ） (2022-06-15T19:53:06Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• 3D Neural Network for Lung Cancer Risk Prediction on CT Volumes [0.6810862244331126]
  肺がんはアメリカ合衆国で最も多いがん死の原因である。 肺がんCT検査は、死亡率を40%まで下げることが示されている。 放射線診断の基準が採用されているにもかかわらず, 経年変化が持続的であり, 包括的画像所見の不完全な特徴が現在の方法の限界として残っている。 本稿では,肺がんリスク予測のための最先端ディープラーニングアルゴリズムを再現する。
  論文  参考訳（メタデータ） (2020-07-25T10:01:22Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。