論文の概要: Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification
- arxiv url: http://arxiv.org/abs/2403.08407v1
- Date: Wed, 13 Mar 2024 10:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 14:43:32.318532
- Title: Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification
- Title（参考訳）: 不均衡を考慮した拡散モデルによる反復的オンライン画像合成
分類
- Authors: Shuhan Li, Yi Lin, Hao Chen, Kwang-Ting Cheng
- Abstract要約: 医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
- 参考スコア（独自算出の注目度）: 29.730360798234294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and robust classification of diseases is important for proper
diagnosis and treatment. However, medical datasets often face challenges
related to limited sample sizes and inherent imbalanced distributions, due to
difficulties in data collection and variations in disease prevalence across
different types. In this paper, we introduce an Iterative Online Image
Synthesis (IOIS) framework to address the class imbalance problem in medical
image classification. Our framework incorporates two key modules, namely Online
Image Synthesis (OIS) and Accuracy Adaptive Sampling (AAS), which collectively
target the imbalance classification issue at both the instance level and the
class level. The OIS module alleviates the data insufficiency problem by
generating representative samples tailored for online training of the
classifier. On the other hand, the AAS module dynamically balances the
synthesized samples among various classes, targeting those with low training
accuracy. To evaluate the effectiveness of our proposed method in addressing
imbalanced classification, we conduct experiments on the HAM10000 and APTOS
datasets. The results obtained demonstrate the superiority of our approach over
state-of-the-art methods as well as the effectiveness of each component. The
source code will be released upon acceptance.
- Abstract（参考訳）: 正確な疾患分類は適切な診断と治療に重要である。
しかしながら、医療データセットは、データ収集の困難さや、さまざまな種類の疾患の頻度の変化のために、限られたサンプルサイズと固有の不均衡分布に関連する課題に直面することが多い。
本稿では,医用画像分類におけるクラス不均衡問題に対処する反復オンライン画像合成(IOIS)フレームワークを提案する。
本フレームワークは,オンライン画像合成(OIS)と適応サンプリング(AAS)という2つの重要なモジュールを組み込んでいる。
OISモジュールは、分類器のオンライントレーニングに適した代表サンプルを生成することにより、データ不足を緩和する。
一方、AASモジュールは、様々なクラスで合成されたサンプルを動的にバランスさせ、訓練精度の低いものをターゲットにしている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
その結果,最先端手法に対するアプローチの優位性と,各コンポーネントの有効性が示された。
ソースコードは受理時に公開される。
関連論文リスト
- Debiasing Cardiac Imaging with Controlled Latent Diffusion Models [1.802269171647208]
本稿では,データセットに固有の不均衡を,合成データの生成によって緩和する手法を提案する。
我々は,患者メタデータと心臓の形状から合成したテキストを条件に,拡散確率モデルに基づく制御ネットを採用する。
本実験は,データセットの不均衡を緩和する手法の有効性を実証するものである。
論文 参考訳（メタデータ） (2024-03-28T15:41:43Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - MCRAGE: Synthetic Healthcare Data for Fairness [3.0089659534785853]
そこで本稿では,MCRAGE (Generative Modeling) の強化による不均衡データセットの増大によるマイノリティクラス再バランスを提案する。
MCRAGEは、デノイング拡散確率モデル (Denoising Diffusion Probabilistic Model, CDDPM) を訓練し、未表現のクラスから高品質な合成EHRサンプルを生成する。
この合成データを使用して、既存の不均衡なデータセットを増大させ、その結果、すべてのクラスにまたがるよりバランスの取れた分散を実現します。
論文 参考訳（メタデータ） (2023-10-27T19:02:22Z) - Class-Specific Distribution Alignment for Semi-Supervised Medical Image
Classification [14.343079589464994]
CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。
本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
論文 参考訳（メタデータ） (2023-07-29T13:38:19Z) - SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳（メタデータ） (2023-07-10T14:53:24Z) - Class-Balancing Diffusion Models [57.38599989220613]
クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。
提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-30T20:00:14Z) - 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) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - 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) - SeismoFlow -- Data augmentation for the class imbalance problem [0.0]
SeismoFlowは、合成サンプルを作成するフローベースの生成モデルである。
Glowモデルにインスパイアされたこのモデルは、学習された潜在空間を利用して、1つの稀なクラスのための合成サンプルを生成する。
希少クラスF1スコアの13.9%の改善を実現した。
論文 参考訳（メタデータ） (2020-07-23T19:48:23Z) - 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)
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。