論文の概要: What limits performance of weakly supervised deep learning for chest CT classification?

• arxiv url: http://arxiv.org/abs/2402.04419v1
• Date: Tue, 6 Feb 2024 21:38:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 17:44:44.766878
• Title: What limits performance of weakly supervised deep learning for chest CT classification?
• Title（参考訳）: 胸部ct分類における弱教師付き深層学習の性能の制限
• Authors: Fakrul Islam Tushar, Vincent M. D'Anniballe, Geoffrey D. Rubin, Joseph Y. Lo
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.44241702149260353
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Weakly supervised learning with noisy data has drawn attention in the medical imaging community due to the sparsity of high-quality disease labels. However, little is known about the limitations of such weakly supervised learning and the effect of these constraints on disease classification performance. In this paper, we test the effects of such weak supervision by examining model tolerance for three conditions. First, we examined model tolerance for noisy data by incrementally increasing error in the labels within the training data. Second, we assessed the impact of dataset size by varying the amount of training data. Third, we compared performance differences between binary and multi-label classification. Results demonstrated that the model could endure up to 10% added label error before experiencing a decline in disease classification performance. Disease classification performance steadily rose as the amount of training data was increased for all disease classes, before experiencing a plateau in performance at 75% of training data. Last, the binary model outperformed the multilabel model in every disease category. However, such interpretations may be misleading, as the binary model was heavily influenced by co-occurring diseases and may not have learned the specific features of the disease in the image. In conclusion, this study may help the medical imaging community understand the benefits and risks of weak supervision with noisy labels. Such studies demonstrate the need to build diverse, large-scale datasets and to develop explainable and responsible AI.
• Abstract（参考訳）: ノイズデータを用いた弱い教師付き学習は,良質な疾患ラベルが不足していることから,医療画像コミュニティの注目を集めている。 しかし、このような弱教師付き学習の限界と、これらの制約が疾患分類性能に与える影響についてはほとんど分かっていない。 本稿では,3つの条件に対するモデル許容性を調べることにより,このような弱い監督の影響を検証した。 まず,学習データ内のラベルの誤差を段階的に増加させることにより,ノイズデータに対するモデル許容性を検討した。 第2に,データセットサイズがトレーニングデータ量に与える影響について検討した。 第3に,バイナリ分類とマルチラベル分類の比較を行った。 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。 すべての病級でトレーニングデータ量が増加し,75%のトレーニングデータで高い成績を呈するようになると,疾患分類性能は着実に向上した。 最後に、バイナリモデルはすべての疾患カテゴリでマルチラベルモデルよりも優れていた。 しかし、二項モデルは同時進行する疾患の影響を強く受けており、画像中の病気の特定の特徴を学ばなかったため、このような解釈は誤解を招く可能性がある。 結論として, この研究は, 医療画像のコミュニティにおいて, ノイズラベルによる弱い監督の利点とリスクを理解するのに役立つ可能性がある。 このような研究は、多様な大規模データセットを構築し、説明可能なAIを開発する必要性を示している。

関連論文リスト

• Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
  そこで本研究では,植物病原体認識データセットを提案する。 病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。 提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
  論文  参考訳（メタデータ） (2024-08-06T11:49:13Z)
• Tackling the Incomplete Annotation Issue in Universal Lesion Detection Task By Exploratory Training [10.627977735890191]
  複数の臓器の病変を医用画像上で検出することを目的としているため、ユニバーサル病変検出は臨床実践に非常に有用である。 ディープラーニング手法は有望な結果を示しているが、トレーニングには大量の注釈付きデータを必要とする。 そこで,教師の予測と不完全なアノテーションを組み合わせることで,学生の学習を指導する教師学生検出モデルを提案する。
  論文  参考訳（メタデータ） (2023-09-23T08:44:07Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  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。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• AnoMalNet: Outlier Detection based Malaria Cell Image Classification Method Leveraging Deep Autoencoder [0.0]
  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。
  論文  参考訳（メタデータ） (2023-03-10T08:49:31Z)
• 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)
• SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification [9.265557367859637]
  SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。 2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
  論文  参考訳（メタデータ） (2022-02-11T15:19:36Z)
• 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)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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)
• 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)
• 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。