Fugu-MT 論文翻訳(概要): Detection of Under-represented Samples Using Dynamic Batch Training for Brain Tumor Segmentation from MR Images

論文の概要: Detection of Under-represented Samples Using Dynamic Batch Training for Brain Tumor Segmentation from MR Images

arxiv url: http://arxiv.org/abs/2408.12013v1
Date: Wed, 21 Aug 2024 21:51:47 GMT
ステータス: 処理完了
システム内更新日: 2024-08-23 17:44:43.084019
Title: Detection of Under-represented Samples Using Dynamic Batch Training for Brain Tumor Segmentation from MR Images
Title（参考訳）: MR画像からの脳腫瘍分離のための動的バッチトレーニングによる下画像サンプルの検出
Authors: Subin Sahayam, John Michael Sujay Zakkam, Yoga Sri Varshan V, Umarani Jayaraman,
Abstract要約: 磁気共鳴イメージング(MR)における脳腫瘍は困難であり、時間を要する。これらの課題は、MR画像から自動脳腫瘍分割法を開発することで解決できる。 U-Netに基づく様々なディープラーニングモデルが提案されている。これらのディープラーニングモデルは、腫瘍画像のデータセットに基づいてトレーニングされ、マスクのセグメント化に使用される。
参考スコア（独自算出の注目度）: 0.8437187555622164
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Brain tumors in magnetic resonance imaging (MR) are difficult, time-consuming, and prone to human error. These challenges can be resolved by developing automatic brain tumor segmentation methods from MR images. Various deep-learning models based on the U-Net have been proposed for the task. These deep-learning models are trained on a dataset of tumor images and then used for segmenting the masks. Mini-batch training is a widely used method in deep learning for training. However, one of the significant challenges associated with this approach is that if the training dataset has under-represented samples or samples with complex latent representations, the model may not generalize well to these samples. The issue leads to skewed learning of the data, where the model learns to fit towards the majority representations while underestimating the under-represented samples. The proposed dynamic batch training method addresses the challenges posed by under-represented data points, data points with complex latent representation, and imbalances within the class, where some samples may be harder to learn than others. Poor performance of such samples can be identified only after the completion of the training, leading to the wastage of computational resources. Also, training easy samples after each epoch is an inefficient utilization of computation resources. To overcome these challenges, the proposed method identifies hard samples and trains such samples for more iterations compared to easier samples on the BraTS2020 dataset. Additionally, the samples trained multiple times are identified and it provides a way to identify hard samples in the BraTS2020 dataset. The comparison of the proposed training approach with U-Net and other models in the literature highlights the capabilities of the proposed training approach.
Abstract（参考訳）: 磁気共鳴イメージング(MR)における脳腫瘍は困難であり、時間を要する。これらの課題は、MR画像から自動脳腫瘍分割法を開発することで解決できる。 U-Netに基づく様々なディープラーニングモデルが提案されている。これらのディープラーニングモデルは、腫瘍画像のデータセットに基づいてトレーニングされ、マスクのセグメント化に使用される。ミニバッチトレーニングは、ディープラーニングのトレーニングで広く使われている方法である。しかし、このアプローチに関連する重要な課題の1つは、トレーニングデータセットが未表現のサンプルや複雑な潜在表現を持つサンプルを持っている場合、モデルはこれらのサンプルに対してうまく一般化できないことである。この問題はデータの歪んだ学習につながります。そこではモデルは、不足しているサンプルを過小評価しながら、大多数の表現に適合するように学習します。提案した動的バッチ・トレーニング手法は、表現不足のデータポイント、複雑な潜在表現を持つデータポイント、クラス内の不均衡によって引き起こされる課題に対処する。このようなサンプルの粗悪な性能は、訓練終了後にのみ識別でき、計算資源の浪費につながる。また、各エポック後の簡単なサンプルのトレーニングは、計算資源の非効率な利用である。これらの課題を克服するために、BraTS2020データセットのサンプルに比べて、ハードサンプルを識別し、より多くのイテレーションのためにそのようなサンプルを訓練する。さらに、複数回トレーニングされたサンプルが識別され、BraTS2020データセットでハードサンプルを識別する方法を提供する。論文の中で提案するトレーニングアプローチとU-Netや他のモデルとの比較は,提案したトレーニングアプローチの能力を強調している。

関連論文リスト

Probing Perfection: The Relentless Art of Meddling for Pulmonary Airway Segmentation from HRCT via a Human-AI Collaboration Based Active Learning Method [13.384578466263566]
肺気管分節症では, 注記データの不足が主訴である。ディープラーニング(DL)メソッドは、'ブラックボックス'モデルの不透明さとパフォーマンス向上の必要性という課題に直面します。多様なクエリ戦略とさまざまなDLモデルを組み合わせることで、これらの課題に対処する。
論文参考訳（メタデータ） (2024-07-03T23:27:53Z)
Semi-Supervised Learning for hyperspectral images by non parametrically predicting view assignment [25.198550162904713]
ハイパースペクトル画像(HSI)分類は、画像中のスペクトル情報が高いため、現在、多くの勢いを増している。近年,ラベル付きサンプルを最小限に抑えたディープラーニングモデルを効果的に訓練するために,ラベル付きサンプルも自己教師付きおよび半教師付き設定で活用されている。本研究では,半教師付き学習の概念を利用して,モデルの識別的自己教師型事前学習を支援する。
論文参考訳（メタデータ） (2023-06-19T14:13:56Z)
A Data-Centric Approach for Improving Adversarial Training Through the Lens of Out-of-Distribution Detection [0.4893345190925178]
複雑なアルゴリズムを適用して効果を緩和するのではなく, トレーニング手順から直接ハードサンプルを検出し, 除去することを提案する。 SVHN と CIFAR-10 データセットを用いた結果,計算コストの増大を伴わずに対角訓練の改善に本手法の有効性が示された。
論文参考訳（メタデータ） (2023-01-25T08:13:50Z)
Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2022-12-20T19:29:37Z)
Reducing Training Sample Memorization in GANs by Training with Memorization Rejection [80.0916819303573]
本稿では,トレーニング中のトレーニングサンプルのほぼ重複する生成サンプルを拒否する学習手法であるリジェクション記憶法を提案する。我々のスキームは単純で汎用的であり、任意のGANアーキテクチャに直接適用することができる。
論文参考訳（メタデータ） (2022-10-21T20:17:50Z)
DiscrimLoss: A Universal Loss for Hard Samples and Incorrect Samples Discrimination [28.599571524763785]
ラベルノイズ(すなわち不正なデータ)が与えられた場合、ディープニューラルネットワークはラベルノイズとモデル性能を徐々に記憶する。この問題を解消するために,カリキュラム学習を提案し,学習サンプルを有意義な順序で順序付けすることで,モデル性能と一般化を向上させる。
論文参考訳（メタデータ） (2022-08-21T13:38:55Z)
BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning [93.38239238988719]
本稿では,各ミニバッチからサンプル関係を学習可能なディープニューラルネットワークを提案する。 BatchFormerは各ミニバッチのバッチ次元に適用され、トレーニング中のサンプル関係を暗黙的に探索する。我々は10以上のデータセットに対して広範な実験を行い、提案手法は異なるデータ不足アプリケーションにおいて大幅な改善を実現する。
論文参考訳（メタデータ） (2022-03-03T05:31:33Z)
Uniform Sampling over Episode Difficulty [55.067544082168624]
本稿では,その難易度に基づいて,エピソードサンプリング分布を近似する手法を提案する。提案手法はアルゴリズムに依存しないため,これらの知見を利用して数発の学習精度を向上させることができる。
論文参考訳（メタデータ） (2021-08-03T17:58:54Z)
One for More: Selecting Generalizable Samples for Generalizable ReID Model [92.40951770273972]
本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
論文参考訳（メタデータ） (2020-12-10T06:37:09Z)
Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
論文参考訳（メタデータ） (2020-06-22T15:07:06Z)
Efficient Deep Representation Learning by Adaptive Latent Space Sampling [16.320898678521843]
監視されたディープラーニングには、アノテーションを備えた大量のトレーニングサンプルが必要です。本稿では,学習プロセスに供給される情報サンプルを適応的に選択する新しいトレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-19T22:17:02Z)

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。