論文の概要: One Shot GANs for Long Tail Problem in Skin Lesion Dataset using novel content space assessment metric

• arxiv url: http://arxiv.org/abs/2409.19945v1
• Date: Mon, 30 Sep 2024 04:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:05:39.315553
• Title: One Shot GANs for Long Tail Problem in Skin Lesion Dataset using novel content space assessment metric
• Title（参考訳）: 新規コンテンツ空間評価指標を用いた皮膚損傷データセットにおける長期的爪問題に対する一ショットGAN
• Authors: Kunal Deo, Deval Mehta, Kshitij Jadhav,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.833650794546064
• License:
• Abstract: Long tail problems frequently arise in the medical field, particularly due to the scarcity of medical data for rare conditions. This scarcity often leads to models overfitting on such limited samples. Consequently, when training models on datasets with heavily skewed classes, where the number of samples varies significantly, a problem emerges. Training on such imbalanced datasets can result in selective detection, where a model accurately identifies images belonging to the majority classes but disregards those from minority classes. This causes the model to lack generalizability, preventing its use on newer data. This poses a significant challenge in developing image detection and diagnosis models for medical image datasets. To address this challenge, the One Shot GANs model was employed to augment the tail class of HAM10000 dataset by generating additional samples. Furthermore, to enhance accuracy, a novel metric tailored to suit One Shot GANs was utilized.
• Abstract（参考訳）: 医療分野では、特に稀な状況における医療データの不足により、長い尾の問題はしばしば発生する。 この不足は、しばしばそのような限られたサンプルに過度に適合するモデルに繋がる。 結果として、サンプルの数が著しく異なる、非常に歪んだクラスを持つデータセットのトレーニングモデルが現れると、問題が発生する。 このような不均衡なデータセットのトレーニングは選択的な検出をもたらし、モデルが多数派に属するイメージを正確に識別するが、少数派から無視する。 これにより、モデルは一般化性に欠け、新しいデータに対する使用が妨げられる。 これは、医用画像データセットの画像検出と診断モデルの開発において重要な課題となる。 この課題に対処するため、One Shot GANsモデルを使用して、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した。 さらに、精度を高めるため、ワンショットガンに合うように調整された新しいメートル法が用いられた。

関連論文リスト

• Meta-Transfer Derm-Diagnosis: Exploring Few-Shot Learning and Transfer Learning for Skin Disease Classification in Long-Tail Distribution [1.8024397171920885]
  本研究は, エピソードおよび従来の訓練手法の利点と欠点を詳細に検討する。 最小限のラベル付き例で、我々のモデルは以前トレーニングされたモデルと比較して、かなりの情報獲得と性能向上を示した。 実験は, 最大10例の2方向から5方向の分類から, 従来の移動学習手法における成功率の増大を示した。
  論文  参考訳（メタデータ） (2024-04-25T17:56:45Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• How Can We Tame the Long-Tail of Chest X-ray Datasets? [0.0]
  胸部X線(英: Chest X-rays、CXR)は、多数の異常を推測するために用いられる医療画像のモダリティである。 非常に一般的に観測されており、CXRデータセットで十分に表現されているものはほとんどない。 現在のモデルでは、稀ではあるが高い意味を持つラベルの独立した差別的特徴を学習することは困難である。
  論文  参考訳（メタデータ） (2023-09-08T12:28:40Z)
• Prevention is better than cure: a case study of the abnormalities detection in the chest [4.000351859705655]
  データ不均衡の一連の単純なテストが、データ取得およびアノテーションプロセスの欠陥を露呈する様子を示す。 データ収集段階でのエラーは、モデルを正しく検証することを困難にします。 予測モデルのライフサイクル全体を通して、データの監視とモデルのバランス(フェアネス)について説明する。
  論文  参考訳（メタデータ） (2023-05-18T13:28:00Z)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks [6.420262246029286]
  本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。 提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
  論文  参考訳（メタデータ） (2021-05-20T13:13:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion Classification [5.642359877598896]
  本稿では,小・不均衡なデータセットに基づく皮膚病変の単一モデル分類のための新しいデータ拡張戦略を提案する。 このデータセット上で、様々なDCNNがトレーニングされ、適度な複雑さを持つモデルがより大きなモデルより優れていることを示す。 修正RandAugmentとMulti-weighted Focal Lossを1つのDCNNモデルで組み合わせることで、ISIC 2018チャレンジテストデータセット上の複数のアンサンブルモデルに匹敵する分類精度を達成した。
  論文  参考訳（メタデータ） (2021-02-02T03:48:55Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。