論文の概要: Analysis of the Two-Step Heterogeneous Transfer Learning for Laryngeal
Blood Vessel Classification: Issue and Improvement
- arxiv url: http://arxiv.org/abs/2402.19001v2
- Date: Tue, 5 Mar 2024 06:40:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 11:46:28.341348
- Title: Analysis of the Two-Step Heterogeneous Transfer Learning for Laryngeal
Blood Vessel Classification: Issue and Improvement
- Title(参考訳): 喉頭血管分類における2段階異種移行学習の検討 : 課題と改善
- Authors: Xinyi Fang, Chak Fong Chong, Kei Long Wong, Yapeng Wang, Wei Ke,
Tiankui Zhang, Sio-Kei Im
- Abstract要約: 糖尿病網膜データセットの色眼写真を2段階の異種学習の中間領域として用いた。
実験の結果, 中間領域と対象領域の両方の画像が血管柄付き特性を共有しているにもかかわらず, 精度が劇的に低下していることが確認された。
本稿では,THTLの第2ステップにおいて,ResNet上でのステップワイズファインチューニング(SWFT)手法を提案する。
- 参考スコア(独自算出の注目度): 7.169685877104694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transferring features learned from natural to medical images for
classification is common. However, challenges arise due to the scarcity of
certain medical image types and the feature disparities between natural and
medical images. Two-step transfer learning has been recognized as a promising
solution for this issue. However, choosing an appropriate intermediate domain
would be critical in further improving the classification performance. In this
work, we explore the effectiveness of using color fundus photographs of the
diabetic retina dataset as an intermediate domain for two-step heterogeneous
learning (THTL) to classify laryngeal vascular images with nine deep-learning
models. Experiment results confirm that although the images in both the
intermediate and target domains share vascularized characteristics, the
accuracy is drastically reduced compared to one-step transfer learning, where
only the last layer is fine-tuned (e.g., ResNet18 drops 14.7%, ResNet50 drops
14.8%). By analyzing the Layer Class Activation Maps (LayerCAM), we uncover a
novel finding that the prevalent radial vascular pattern in the intermediate
domain prevents learning the features of twisted and tangled vessels that
distinguish the malignant class in the target domain. To address the
performance drop, we propose the Step-Wise Fine-Tuning (SWFT) method on ResNet
in the second step of THTL, resulting in substantial accuracy improvements.
Compared to THTL's second step, where only the last layer is fine-tuned,
accuracy increases by 26.1% for ResNet18 and 20.4% for ResNet50. Additionally,
compared to training from scratch, using ImageNet as the source domain could
slightly improve classification performance for laryngeal vascular, but the
differences are insignificant.
- Abstract(参考訳): 自然画像から医学画像に学習した特徴の分類は一般的である。
しかし、特定の医用画像の種類が不足し、自然画像と医用画像の相違により課題が生じる。
2段階の伝達学習がこの問題の有望な解決策として認識されている。
しかし、適切な中間ドメインを選択することは、さらに分類性能を向上させる上で重要である。
そこで本研究では,糖尿病網膜データセットの色眼写真を用いて2段階の異種学習(THTL)を行い,喉頭血管像を9つのディープラーニングモデルで分類する方法について検討した。
実験の結果、中間ドメインとターゲットドメインの両方の画像は血管柄付き特性を共有しているが、最終レイヤのみを微調整したワンステップ転送学習と比較して、精度が大幅に低下している(ResNet18は14.7%、ResNet50は14.8%)。
The Layer Class Activation Maps (LayerCAM) を解析した結果, 中間領域に広く分布するラジアル血管パターンが, 標的領域の悪性度を識別するねじれ, 絡み合った血管の特徴を学習するのを防ぐことが判明した。
性能低下に対処するため,THTLの第2ステップでResNet上でのステップワイズファインチューニング(SWFT)手法を提案する。
最後の層のみが微調整されたTHTLの2番目のステップと比較して、ResNet18では26.1%、ResNet50では20.4%の精度が向上した。
さらに、スクラッチからのトレーニングと比較して、imagenetをソースドメインとして使用すると、喉頭血管の分類性能はわずかに向上するが、違いは重要ではない。
関連論文リスト
- 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) - DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。
本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。
その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
論文 参考訳(メタデータ) (2022-09-13T15:31:52Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳(メタデータ) (2022-03-18T15:26:05Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - 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) - Deep Learning for Breast Cancer Classification: Enhanced Tangent
Function [27.761266391596262]
近年,畳み込みニューラルネットワークを用いた深層学習は,乳房細胞の画像の正確な分類に成功している。
Patch-based Adaptive Deepal Neural Network (DCNN) を用いて乳癌の分類精度を高めることを目的とした。
提案手法は, 画像コントラストを向上し, 消失勾配を減少させることにより, がんの精度を高めることに焦点を当てた。
論文 参考訳(メタデータ) (2021-07-01T08:36:27Z) - Distant Domain Transfer Learning for Medical Imaging [14.806736041145964]
医用画像分類のための遠隔ドメイン転送学習(DDTL)手法を提案する。
いくつかの現在の研究では、肺CT(Computed Tomography)画像が迅速かつ正確なCOVID-19診断に使用できることが示されています。
提案手法は,遠隔地から収集したラベルのないデータから容易にアクセスできる。
それは「非転送」アルゴリズムよりも13%高い分類精度である96%の分類精度を達成しました。
論文 参考訳(メタデータ) (2020-12-10T02:53:52Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳(メタデータ) (2020-11-13T16:04:39Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - ElixirNet: Relation-aware Network Architecture Adaptation for Medical
Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。
DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文 参考訳(メタデータ) (2020-03-03T05:29:49Z)
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。