論文の概要: Improving Acne Image Grading with Label Distribution Smoothing

• arxiv url: http://arxiv.org/abs/2403.00268v1
• Date: Fri, 1 Mar 2024 04:02:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 18:14:55.852061
• Title: Improving Acne Image Grading with Label Distribution Smoothing
• Title（参考訳）: ラベル分布平滑化によるacne画像グレーティングの改善
• Authors: Kirill Prokhorov, Alexandr A. Kalinin
• Abstract要約: 難病の重症度評価には、典型的には病変数と世界的評価が含まれる。 画像グレーディングの有効な枠組みとしてラベル分布学習 (LDL) が提案されたが, その有効性は, 病変数を異なる重度尺度に割り当てる重度尺度によって阻害されている。 そこで本研究では,LCLとラベルスムースメントを組み合わせることで,重症度尺度情報を病変カウントに組み入れ,グローバルアセスメントから切り離すことを提案する。
• 参考スコア（独自算出の注目度）: 55.987107678168535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Acne, a prevalent skin condition, necessitates precise severity assessment for effective treatment. Acne severity grading typically involves lesion counting and global assessment. However, manual grading suffers from variability and inefficiency, highlighting the need for automated tools. Recently, label distribution learning (LDL) was proposed as an effective framework for acne image grading, but its effectiveness is hindered by severity scales that assign varying numbers of lesions to different severity grades. Addressing these limitations, we proposed to incorporate severity scale information into lesion counting by combining LDL with label smoothing, and to decouple if from global assessment. A novel weighting scheme in our approach adjusts the degree of label smoothing based on the severity grading scale. This method helped to effectively manage label uncertainty without compromising class distinctiveness. Applied to the benchmark ACNE04 dataset, our model demonstrated improved performance in automated acne grading, showcasing its potential in enhancing acne diagnostics. The source code is publicly available at http://github.com/openface-io/acne-lds.
• Abstract（参考訳）: 皮膚疾患であるAcneは、有効治療のための正確な重症度評価を必要とする。 acneの重症度評価には、通常、病変数とグローバルアセスメントが含まれる。 しかし、手動のグレーディングは可変性と非効率に苦しめられ、自動化ツールの必要性を強調している。 近年,アシネ画像グレーディングの有効なフレームワークとしてラベル分布学習 (LDL) が提案されているが,その有効性は,病変数を異なる重症度に割り当てる重度尺度によって阻害されている。 これらの制約に対処するため,LCLとラベルスムースメントを組み合わせた病変カウントに重度尺度情報を導入し,グローバルアセスメントから切り離すことを提案した。 本手法における新しい重み付け方式は,重み付け尺度に基づいてラベル平滑化の程度を調節する。 この手法はクラス識別性を損なうことなくラベルの不確かさを効果的に管理するのに役立つ。 ベンチマーク acne04 データセットに適用し, acne 自動評価の性能向上を実証し, acne 診断能力向上の可能性を示した。 ソースコードはhttp://github.com/openface-io/acne-ldsで公開されている。

関連論文リスト

• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• Towards Accurate Acne Detection via Decoupled Sequential Detection Head [13.584041730463442]
  新しいデカップリングシーケンス検出ヘッド(DSDH)は、メインストリームの2段階検出器で容易に採用できる。 そこで我々は, 課題系列機構を提案し, オフセットとスケーリングを順次実行し, より包括的にアシネ病変の次元を把握した。 提案手法は最先端の手法よりも有意なマージンで優れる。
  論文  参考訳（メタデータ） (2023-01-28T14:58:51Z)
• SoftMatch: Addressing the Quantity-Quality Trade-off in Semi-supervised Learning [101.86916775218403]
  本稿では, サンプル重み付けを統一した定式化により, 一般的な擬似ラベル法を再検討する。 トレーニング中の擬似ラベルの量と質を両立させることでトレードオフを克服するSoftMatchを提案する。 実験では、画像、テキスト、不均衡な分類など、さまざまなベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2023-01-26T03:53:25Z)
• Patch-level instance-group discrimination with pretext-invariant learning for colitis scoring [2.691339855008848]
  自己教師型学習(SSL)のためのプリテキスト不変表現学習(PLD-PIRL)を用いたパッチレベルの新しいインスタンスグループ識別手法を提案する。 本実験では,ベースライン教師付きネットワークや最先端SSL方式と比較して,精度とロバスト性の向上を実証した。
  論文  参考訳（メタデータ） (2022-07-11T21:06:29Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• 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)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)

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。