論文の概要: MONICA: Benchmarking on Long-tailed Medical Image Classification

• arxiv url: http://arxiv.org/abs/2410.02010v1
• Date: Wed, 2 Oct 2024 20:21:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 09:34:57.629596
• Title: MONICA: Benchmarking on Long-tailed Medical Image Classification
• Title（参考訳）: monICA:ロングテール医用画像分類のベンチマーク
• Authors: Lie Ju, Siyuan Yan, Yukun Zhou, Yang Nan, Xiaodan Xing, Peibo Duan, Zongyuan Ge,
• Abstract要約: 長期学習はデータ不均衡学習において極めて難しい問題であると考えられている。 医用OpeNソースLong-taIled ClassifiCAtion (MONICA) という,統一された構造を持つ。 関連する分野で開発された30以上のメソッドを実装し、6つの医療ドメインをカバーする12の長い尾の医療データセットで評価する。
• 参考スコア（独自算出の注目度）: 14.547590439984807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed learning is considered to be an extremely challenging problem in data imbalance learning. It aims to train well-generalized models from a large number of images that follow a long-tailed class distribution. In the medical field, many diagnostic imaging exams such as dermoscopy and chest radiography yield a long-tailed distribution of complex clinical findings. Recently, long-tailed learning in medical image analysis has garnered significant attention. However, the field currently lacks a unified, strictly formulated, and comprehensive benchmark, which often leads to unfair comparisons and inconclusive results. To help the community improve the evaluation and advance, we build a unified, well-structured codebase called Medical OpeN-source Long-taIled ClassifiCAtion (MONICA), which implements over 30 methods developed in relevant fields and evaluated on 12 long-tailed medical datasets covering 6 medical domains. Our work provides valuable practical guidance and insights for the field, offering detailed analysis and discussion on the effectiveness of individual components within the inbuilt state-of-the-art methodologies. We hope this codebase serves as a comprehensive and reproducible benchmark, encouraging further advancements in long-tailed medical image learning. The codebase is publicly available on https://github.com/PyJulie/MONICA.
• Abstract（参考訳）: 長期学習はデータ不均衡学習において極めて難しい問題であると考えられている。 それは、長い尾のクラス分布に従う多数の画像から、よく一般化されたモデルを訓練することを目的としている。 医学分野では、皮膚内視鏡検査や胸部X線検査などの多くの診断検査が、複雑な臨床所見の長期分布をもたらす。 近年,医用画像解析における長期学習が注目されている。 しかし、現時点では統一的で厳密な定式化と総合的なベンチマークが欠落しており、不公平な比較や不確定な結果につながることが多い。 コミュニティが評価と進展を改善するために,医療用OpeN-source Long-taIled ClassifiCAtion (MONICA) という,統一された構造化されたコードベースを構築した。 本研究は,その分野の実践的ガイダンスと洞察を提供し,工法における個々の構成要素の有効性を詳細に分析し,考察する。 このコードベースが包括的で再現可能なベンチマークとして機能し、長い尾の医療画像学習のさらなる進歩を促すことを願っています。 コードベースはhttps://github.com/PyJulie/MONICAで公開されている。

関連論文リスト

• Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
  本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。 PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。 本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-07T13:11:08Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• From CNN to Transformer: A Review of Medical Image Segmentation Models [7.3150850275578145]
  医用画像セグメンテーションのための深層学習が主流となっている。 本稿では,近年最も代表的な4つの医用画像セグメンテーションモデルについて調査する。 理論的にこれらのモデルの特徴を解析し、2つのベンチマークデータセット上でそれらの性能を定量的に評価する。
  論文  参考訳（メタデータ） (2023-08-10T02:48:57Z)
• Few Shot Learning for Medical Imaging: A Comparative Analysis of Methodologies and Formal Mathematical Framework [0.0]
  医療分野におけるディープラーニングの活用方法において、問題に依存したトレーニングデータの不足が大きな問題となっている。 ホットラーニングアルゴリズムはほとんどなく、小さなデータセットから特徴を抽出することで、データ制限問題を解決する。 医療分野では、いくつかの機密疾患に関して利用可能なデータセットがしばしば不足している。
  論文  参考訳（メタデータ） (2023-05-08T01:05:22Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• A survey on shape-constraint deep learning for medical image segmentation [0.46023882211671957]
  畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。 これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。 セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
  論文  参考訳（メタデータ） (2021-01-19T16:52:10Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。