Fugu-MT 論文翻訳(概要): Addressing Imbalance for Class Incremental Learning in Medical Image Classification

論文の概要: Addressing Imbalance for Class Incremental Learning in Medical Image Classification

arxiv url: http://arxiv.org/abs/2407.13768v1
Date: Thu, 18 Jul 2024 17:59:44 GMT
ステータス: 処理完了
システム内更新日: 2024-07-19 14:12:02.254658
Title: Addressing Imbalance for Class Incremental Learning in Medical Image Classification
Title（参考訳）: 医用画像分類における授業増分学習の不均衡への対処
Authors: Xuze Hao, Wenqian Ni, Xuhao Jiang, Weimin Tan, Bo Yan,
Abstract要約: 不均衡の悪影響を軽減するために2つのプラグイン法を導入する。まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
参考スコア（独自算出の注目度）: 14.242875524728495
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep convolutional neural networks have made significant breakthroughs in medical image classification, under the assumption that training samples from all classes are simultaneously available. However, in real-world medical scenarios, there's a common need to continuously learn about new diseases, leading to the emerging field of class incremental learning (CIL) in the medical domain. Typically, CIL suffers from catastrophic forgetting when trained on new classes. This phenomenon is mainly caused by the imbalance between old and new classes, and it becomes even more challenging with imbalanced medical datasets. In this work, we introduce two simple yet effective plug-in methods to mitigate the adverse effects of the imbalance. First, we propose a CIL-balanced classification loss to mitigate the classifier bias toward majority classes via logit adjustment. Second, we propose a distribution margin loss that not only alleviates the inter-class overlap in embedding space but also enforces the intra-class compactness. We evaluate the effectiveness of our method with extensive experiments on three benchmark datasets (CCH5000, HAM10000, and EyePACS). The results demonstrate that our approach outperforms state-of-the-art methods.
Abstract（参考訳）: 深層畳み込みニューラルネットワークは、すべてのクラスからのトレーニングサンプルが同時に利用可能であるという前提の下で、医療画像分類において大きなブレークスルーをもたらした。しかし、現実の医療シナリオでは、新しい病気について継続的に学ぶ必要があることが一般的であり、医学領域におけるクラスインクリメンタルラーニング(CIL)の新たな分野へと繋がる。典型的には、CILは、新しいクラスで訓練された時に破滅的な忘れ込みに悩まされる。この現象は、主に古いクラスと新しいクラスの不均衡によって引き起こされ、不均衡な医療データセットではさらに困難になる。本研究では,不均衡の悪影響を軽減するために,シンプルかつ効果的な2つのプラグイン手法を提案する。まず、ロジット調整により、多数クラスに対する分類器バイアスを軽減するために、CILバランスの取れた分類損失を提案する。第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。提案手法の有効性を3つのベンチマークデータセット(CCH5000, HAM10000, EyePACS)で評価した。その結果,本手法は最先端手法よりも優れていることがわかった。

関連論文リスト

Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。実世界の医療データセットにおけるモデルの性能向上を実証する。
論文参考訳（メタデータ） (2022-07-23T00:39:53Z)
PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。 PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文参考訳（メタデータ） (2022-07-11T11:43:51Z)
FedIIC: Towards Robust Federated Learning for Class-Imbalanced Medical Image Classification [29.69137726688905]
本稿では,FedIICというプライバシ保護型フェデレーション学習(FL)手法を提案する。特徴学習では、2段階のコントラスト学習が、FLで不均衡なデータを用いてより優れたクラス特化特徴を抽出するように設計されている。分類器学習では、クラスごとのマージンはリアルタイムの難易度とクラス優先度に応じて動的に設定され、モデルがクラスを等しく学習するのに役立つ。
論文参考訳（メタデータ） (2022-06-28T07:37:38Z)
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)
Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for Imbalanced Learning [97.81549071978789]
勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
論文参考訳（メタデータ） (2022-04-19T08:23:23Z)
SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。 2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文参考訳（メタデータ） (2022-02-11T15:19:36Z)
Divide-and-Conquer Hard-thresholding Rules in High-dimensional Imbalanced Classification [1.0312968200748118]
高次元の線形判別分析(LDA)における不均衡クラスサイズの影響について検討した。マイノリティ・クラスと呼ばれる1つのクラスのデータの不足により、LDAはマイノリティ・クラスを無視し、最大誤分類率を得ることを示す。そこで本研究では,不等式化率の大きな差を低減させる分割・対数法に基づくハードコンカレンスルールの新たな構成法を提案する。
論文参考訳（メタデータ） (2021-11-05T07:44:28Z)
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)
eGAN: Unsupervised approach to class imbalance using transfer learning [8.100450025624443]
クラス不均衡は、多くの機械学習分類タスクに固有の問題である。予め訓練された画像分類モデルからエンコーダベースのGenerative Adversarial Network(eGAN)への転送学習を活用することにより、これらの不均衡に対処するための監督されていないアプローチを検討する。 CIFAR-10分類タスクにおいて0.69 F1-scoreの結果が1:2500の不均衡比で得られた。
論文参考訳（メタデータ） (2021-04-09T02:37:55Z)
M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文参考訳（メタデータ） (2020-04-01T13:21:17Z)

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。