論文の概要: Semi-Supervised Disease Classification based on Limited Medical Image Data
- arxiv url: http://arxiv.org/abs/2405.04295v1
- Date: Tue, 7 May 2024 13:11:08 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 14:10:19.033529
- Title: Semi-Supervised Disease Classification based on Limited Medical Image Data
- Title（参考訳）: 医療画像データを用いた半スーパービジョン病の分類
- Authors: Yan Zhang, Chun Li, Zhaoxia Liu, Ming Li,
- Abstract要約: 本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。
PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。
本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 9.633774896301436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, significant progress has been made in the field of learning from positive and unlabeled examples (PU learning), particularly in the context of advancing image and text classification tasks. However, applying PU learning to semi-supervised disease classification remains a formidable challenge, primarily due to the limited availability of labeled medical images. In the realm of medical image-aided diagnosis algorithms, numerous theoretical and practical obstacles persist. The research on PU learning for medical image-assisted diagnosis holds substantial importance, as it aims to reduce the time spent by professional experts in classifying images. Unlike natural images, medical images are typically accompanied by a scarcity of annotated data, while an abundance of unlabeled cases exists. Addressing these challenges, this paper introduces a novel generative model inspired by H\"older divergence, specifically designed for semi-supervised disease classification using positive and unlabeled medical image data. In this paper, we present a comprehensive formulation of the problem and establish its theoretical feasibility through rigorous mathematical analysis. To evaluate the effectiveness of our proposed approach, we conduct extensive experiments on five benchmark datasets commonly used in PU medical learning: BreastMNIST, PneumoniaMNIST, BloodMNIST, OCTMNIST, and AMD. The experimental results clearly demonstrate the superiority of our method over existing approaches based on KL divergence. Notably, our approach achieves state-of-the-art performance on all five disease classification benchmarks. By addressing the limitations imposed by limited labeled data and harnessing the untapped potential of unlabeled medical images, our novel generative model presents a promising direction for enhancing semi-supervised disease classification in the field of medical image analysis.
- Abstract（参考訳）: 近年, 肯定的, 未ラベルな例(PU学習)からの学習分野において, 特に画像やテキストの分類タスクの進展が顕著に進展している。
しかしながら、PU学習を半教師付き疾患分類に適用することは、主にラベル付き医療画像の入手が限られているため、深刻な課題である。
医用画像支援診断アルゴリズムの分野では、多くの理論的および実践的な障害が持続する。
医用画像支援診断のためのPU学習の研究は、画像の分類に専門家が費やす時間を短縮することを目的としている。
自然画像とは異なり、医用画像には注釈付きデータの不足が伴うのが一般的であり、ラベルなしのケースが多数存在する。
これらの課題に対処するため,本研究では,H\"older divergence"にインスパイアされた新たな生成モデルを提案する。
本稿では,問題を包括的に定式化し,厳密な数学的解析を通じてその理論的実現可能性を確立する。
提案手法の有効性を評価するため, PU医学学習でよく用いられる5つのベンチマークデータセット(BreastMNIST, PneumoniaMNIST, BloodMNIST, OCTMNIST, AMD)について広範な実験を行った。
KLの発散に基づく既存手法に比べて,本手法が優れていることを示す実験結果が得られた。
特に,本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
ラベル付きデータによる制限に対処し,未ラベルの医用画像の未使用の可能性を活用することにより,医療画像解析分野における半教師付き疾患分類の強化に期待できる方向を示す。
関連論文リスト
- FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。
6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。
単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-07-11T19:12:23Z) - MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。
医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。
本稿では,比較を統一したベンチマークを構築した。
論文 参考訳（メタデータ） (2024-04-06T06:18:11Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Few Shot Learning for Medical Imaging: A Comparative Analysis of
Methodologies and Formal Mathematical Framework [0.0]
医療分野におけるディープラーニングの活用方法において、問題に依存したトレーニングデータの不足が大きな問題となっている。
ホットラーニングアルゴリズムはほとんどなく、小さなデータセットから特徴を抽出することで、データ制限問題を解決する。
医療分野では、いくつかの機密疾患に関して利用可能なデータセットがしばしば不足している。
論文 参考訳（メタデータ） (2023-05-08T01:05:22Z) - A New Semi-supervised Learning Benchmark for Classifying View and
Diagnosing Aortic Stenosis from Echocardiograms [4.956777496509955]
心エコー(心電図)の解釈に関連する2つの課題に対する半教師付きアプローチを評価するためのベンチマークデータセットを開発した。
我々は,MixMatchと呼ばれる最先端の手法が,両タスクのホールドアウト精度において有望なゲインを達成できることを見出した。
我々は患者レベルの診断予測を追求し、多様なビュータイプの数百の画像に集約する必要がある。
論文 参考訳（メタデータ） (2021-07-30T21:08:12Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - 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。