Fugu-MT 論文翻訳(概要): Input Data Adaptive Learning (IDAL) for Sub-acute Ischemic Stroke Lesion Segmentation

論文の概要: Input Data Adaptive Learning (IDAL) for Sub-acute Ischemic Stroke Lesion Segmentation

arxiv url: http://arxiv.org/abs/2403.07428v1
Date: Tue, 12 Mar 2024 09:11:02 GMT
ステータス: 処理完了
システム内更新日: 2024-03-13 22:23:55.528877
Title: Input Data Adaptive Learning (IDAL) for Sub-acute Ischemic Stroke Lesion Segmentation
Title（参考訳）: 亜急性期脳卒中病変分割のための入力データ適応学習(idal)
Authors: Michael G\"otz, Christian Weber, Christoph Kolb, Klaus Maier-Hein
Abstract要約: 本稿では、与えられた入力データに対して最適なトレーニングサンプルを適応的に選択することで、大規模なトレーニングベースから学習する方法を提案する。提案アルゴリズムは,分類精度を大幅に向上させる。
参考スコア（独自算出の注目度）: 0.11976120407592658
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In machine learning larger databases are usually associated with higher classification accuracy due to better generalization. This generalization may lead to non-optimal classifiers in some medical applications with highly variable expressions of pathologies. This paper presents a method for learning from a large training base by adaptively selecting optimal training samples for given input data. In this way heterogeneous databases are supported two-fold. First, by being able to deal with sparsely annotated data allows a quick inclusion of new data set and second, by training an input-dependent classifier. The proposed approach is evaluated using the SISS challenge. The proposed algorithm leads to a significant improvement of the classification accuracy.
Abstract（参考訳）: 機械学習では、より大きなデータベースは通常、より一般的なため、より高い分類精度に関連付けられる。この一般化は、病理の非常に可変な表現を持つ医学的応用において、非最適分類器につながる可能性がある。本稿では,入力データに対して最適なトレーニングサンプルを適応的に選択することで,大規模なトレーニングベースから学習する方法を提案する。このように、異種データベースは2つの形式をサポートする。ひとつは、少量の注釈付きデータに対処できることで、入力依存の分類器をトレーニングすることで、新しいデータセットと第2のデータセットを素早く含めることができる。提案手法はSISSチャレンジを用いて評価する。提案アルゴリズムは,分類精度を大幅に向上させる。

関連論文リスト

DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images [2.352695945685781]
そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
論文参考訳（メタデータ） (2024-03-12T09:17:21Z)
Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-11-10T00:17:07Z)
XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文参考訳（メタデータ） (2023-10-09T08:07:04Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Mutual Information Learned Classifiers: an Information-theoretic Viewpoint of Training Deep Learning Classification Systems [9.660129425150926]
クロスエントロピー損失は、重度のオーバーフィッティング動作を示すモデルを見つけるのに容易である。本稿では,既存のDNN分類器のクロスエントロピー損失最小化が,基礎となるデータ分布の条件エントロピーを本質的に学習することを証明する。ラベルと入力の相互情報を学習することで、DNN分類器を訓練する相互情報学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-03T15:09:19Z)
Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
我々はデータ拡張を選択するための便利な勾配法を開発した。我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
論文参考訳（メタデータ） (2022-02-22T02:51:11Z)
Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文参考訳（メタデータ） (2021-10-19T14:24:50Z)
Categorical EHR Imputation with Generative Adversarial Nets [11.171712535005357]
本稿では,データ計算のためのGANに関する従来の研究を基にした,シンプルで効果的な手法を提案する。従来のデータ計算手法に比べて予測精度が大幅に向上していることを示す。
論文参考訳（メタデータ） (2021-08-03T18:50:26Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
A generic ensemble based deep convolutional neural network for semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文参考訳（メタデータ） (2020-04-16T23:41:50Z)
Unshuffling Data for Improved Generalization [65.57124325257409]
トレーニングディストリビューションを越えた一般化は、マシンラーニングにおける中核的な課題である。本研究では,複数の学習環境として扱われる非d.d.サブセットにデータを分割することで,アウト・オブ・ディストリビューションの一般化を向上したモデル学習を導出できることを示す。
論文参考訳（メタデータ） (2020-02-27T03:07:41Z)

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。