論文の概要: Saliency-guided and Patch-based Mixup for Long-tailed Skin Cancer Image Classification

• arxiv url: http://arxiv.org/abs/2406.10801v1
• Date: Sun, 16 Jun 2024 04:38:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-18 20:51:13.757204
• Title: Saliency-guided and Patch-based Mixup for Long-tailed Skin Cancer Image Classification
• Title（参考訳）: 長期皮膚癌画像分類における唾液価誘導とパッチベース混合療法
• Authors: Tianyunxi Wei, Yijin Huang, Li Lin, Pujin Cheng, Sirui Li, Xiaoying Tang,
• Abstract要約: 長い尾のコンテキストでは、いくつかの一般的な疾患カテゴリがデータの大半を占めており、まれな疾患カテゴリで利用できるサンプルはごくわずかである。 長期皮膚がん画像分類のための新しいアプローチである textbfSaliency-guided と textbfPatch-based textbfMixup (SPMix) を提案する。
• 参考スコア（独自算出の注目度）: 4.40264652375374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image datasets often exhibit long-tailed distributions due to the inherent challenges in medical data collection and annotation. In long-tailed contexts, some common disease categories account for most of the data, while only a few samples are available in the rare disease categories, resulting in poor performance of deep learning methods. To address this issue, previous approaches have employed class re-sampling or re-weighting techniques, which often encounter challenges such as overfitting to tail classes or difficulties in optimization during training. In this work, we propose a novel approach, namely \textbf{S}aliency-guided and \textbf{P}atch-based \textbf{Mix}up (SPMix) for long-tailed skin cancer image classification. Specifically, given a tail-class image and a head-class image, we generate a new tail-class image by mixing them under the guidance of saliency mapping, which allows for preserving and augmenting the discriminative features of the tail classes without any interference of the head-class features. Extensive experiments are conducted on the ISIC2018 dataset, demonstrating the superiority of SPMix over existing state-of-the-art methods.
• Abstract（参考訳）: 医用画像データセットは、医用データ収集とアノテーションに固有の課題のために、長い尾の分布を示すことが多い。 長い尾のコンテキストでは、いくつかの一般的な疾患カテゴリがデータの大半を占めており、希少な疾患カテゴリでは少数のサンプルしか利用できないため、ディープラーニング手法の性能は低下している。 この問題に対処するため、以前のアプローチでは、クラスの再サンプリングや再重み付け技術を採用しており、クラスをオーバーフィットしたり、トレーニング中に最適化が困難になるといった問題に直面していることが多い。 そこで本研究では,長期化皮膚がん画像分類のための新しいアプローチとして,textbf{S}aliency-guided と \textbf{P}atch-based \textbf{Mix}up (SPMix) を提案する。 具体的には, テールクラスの画像とヘッドクラスの画像が与えられた場合, ヘッドクラスの特徴を干渉することなく, テールクラスの識別的特徴を保存・増強することのできる, サリエンシマッピングの指導の下, 新しいテールクラスの画像を生成する。 ISIC2018データセットで大規模な実験を行い、既存の最先端手法よりもSPMixの方が優れていることを示した。

関連論文リスト

• One Shot GANs for Long Tail Problem in Skin Lesion Dataset using novel content space assessment metric [1.833650794546064]
  医療分野では、まれな状態の医療データが不足しているため、長い尾の問題は頻繁に発生する。 One Shot GANsは、追加のサンプルを生成することで、HAM10000データセットのテールクラスを拡張するために使用された。
  論文  参考訳（メタデータ） (2024-09-30T04:51:54Z)
• SMCL: Saliency Masked Contrastive Learning for Long-tailed Recognition [19.192861880360347]
  本稿では,偏見予測の問題を緩和するために,相反学習を隠蔽するサリエンシを提案する。 我々のキーとなる考え方は、画像の重要な部分を塩分濃度検出を用いてマスキングし、対照的な学習を用いて、マスクされた画像を特徴空間の小さなクラスへ移動させることである。 実験結果から,提案手法は,ベンチマーク長尾データセット上での最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2024-06-04T11:33:40Z)
• LCReg: Long-Tailed Image Classification with Latent Categories based Recognition [81.5551335554507]
  本稿では,Lar-tail Recognition(LCReg)法を提案する。 我々の仮説は、頭と尾のクラスで共有される一般的な潜伏的特徴は、特徴表現を改善するために使用できるというものである。 具体的には、頭と尾の両方で共有されるクラス非依存の潜伏特徴の集合を学習し、潜伏特徴のセマンティックデータ拡張を用いてトレーニングサンプルの多様性を暗黙的に増加させる。
  論文  参考訳（メタデータ） (2023-09-13T02:03:17Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• Long-tailed Recognition by Learning from Latent Categories [70.6272114218549]
  本稿ではLatent Categories based long-tail Recognition (LCReg)法を提案する。 具体的には、頭と尾のクラス間で共有されるクラスに依存しない潜在機能群を学習する。 次に、潜在機能に意味データ拡張を適用することで、トレーニングサンプルの多様性を暗黙的に強化する。
  論文  参考訳（メタデータ） (2022-06-02T12:19:51Z)
• Constrained Deep One-Class Feature Learning For Classifying Imbalanced Medical Images [4.211466076086617]
  データの不均衡問題に対処するために、一級分類が注目を集めている。 本稿では,コンパクトな特徴を学習するための新しい深層学習手法を提案する。 提案手法は,各クラスに関連するより関連性の高い特徴を学習し,多数派と少数派のサンプルを識別しやすくする。
  論文  参考訳（メタデータ） (2021-11-20T15:25:24Z)
• 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)
• 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。