論文の概要: OxML Challenge 2023: Carcinoma classification using data augmentation

• arxiv url: http://arxiv.org/abs/2409.10544v1
• Date: Sun, 1 Sep 2024 14:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-22 21:22:31.450883
• Title: OxML Challenge 2023: Carcinoma classification using data augmentation
• Title（参考訳）: OxML Challenge 2023: データ拡張による癌分類
• Authors: Kislay Raj, Teerath Kumar, Alessandra Mileo, Malika Bendechache,
• Abstract要約: 医学領域では、プライバシの懸念により、がんのデータは制限されるか、利用できないことが多い。 OXML 2023チャレンジは、小さな不均衡なデータセットを提供し、がんの分類に重大な課題を提示している。 本研究は, 癌分類の課題に対処するために, パディング増強とアンサンブルを組み合わせた新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 43.56824843205882
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Carcinoma is the prevailing type of cancer and can manifest in various body parts. It is widespread and can potentially develop in numerous locations within the body. In the medical domain, data for carcinoma cancer is often limited or unavailable due to privacy concerns. Moreover, when available, it is highly imbalanced, with a scarcity of positive class samples and an abundance of negative ones. The OXML 2023 challenge provides a small and imbalanced dataset, presenting significant challenges for carcinoma classification. To tackle these issues, participants in the challenge have employed various approaches, relying on pre-trained models, preprocessing techniques, and few-shot learning. Our work proposes a novel technique that combines padding augmentation and ensembling to address the carcinoma classification challenge. In our proposed method, we utilize ensembles of five neural networks and implement padding as a data augmentation technique, taking into account varying image sizes to enhance the classifier's performance. Using our approach, we made place into top three and declared as winner.
• Abstract（参考訳）: がんはがんの流行型であり、様々な部位に発現することがある。 広範囲に分布し、体内の多くの場所で発達する可能性がある。 医学領域では、プライバシの懸念により、がんのデータは制限されるか、利用できないことが多い。 さらに、利用できる場合、正のクラスサンプルが不足し、負のクラスサンプルが多数存在するため、非常に不均衡である。 OXML 2023チャレンジは、小さな不均衡なデータセットを提供し、がんの分類に重大な課題を提示している。 これらの問題に対処するために、課題の参加者は、事前訓練されたモデル、前処理技術、数発の学習に依存する様々なアプローチを採用している。 本研究は, 癌分類の課題に対処するために, パディング増強とアンサンブルを組み合わせた新しい手法を提案する。 提案手法では,5つのニューラルネットワークのアンサンブルを用いてパディングをデータ拡張手法として実装し,画像サイズの変化を考慮して分類器の性能を向上させる。 このアプローチを使って、私たちはトップ3に入り、勝者であると宣言しました。

関連論文リスト

• Mitigating annotation shift in cancer classification using single image generative models [1.1864334278373239]
  本研究は乳房マンモグラフィー領域における癌分類におけるアノテーションシフトをシミュレートし,解析し,緩和する。 本研究では, 影響のあるクラスに対して, 単一画像生成モデルに基づくトレーニングデータ拡張手法を提案する。 本研究は、深層学習乳癌分類におけるアノテーションシフトに関する重要な知見を提供し、ドメインシフトの課題を克服するための単一画像生成モデルの可能性を探る。
  論文  参考訳（メタデータ） (2024-05-30T07:02:50Z)
• Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
  ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。 本稿では,CNNを用いた皮膚病変分類問題について検討する。 本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-04-01T15:06:20Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• Metastatic Cancer Outcome Prediction with Injective Multiple Instance Pooling [1.0965065178451103]
  我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。 結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。 本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
  論文  参考訳（メタデータ） (2022-03-09T16:58:03Z)
• AI-based Carcinoma Detection and Classification Using Histopathological Images: A Systematic Review [8.355946670746413]
  癌の亜型であり、全がん症例の80%以上を占める。 多くの研究者が癌の検出と分類を自動化する方法を報告している。 癌診断の自動化における人工知能の利用の増加は、ディープ・ネットワーク・モデルの使用の著しい増加を示している。
  論文  参考訳（メタデータ） (2022-01-18T12:03:09Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。