論文の概要: Taming the Tail: Leveraging Asymmetric Loss and Pade Approximation to Overcome Medical Image Long-Tailed Class Imbalance

• arxiv url: http://arxiv.org/abs/2410.04084v1
• Date: Sat, 5 Oct 2024 08:49:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 14:11:13.019361
• Title: Taming the Tail: Leveraging Asymmetric Loss and Pade Approximation to Overcome Medical Image Long-Tailed Class Imbalance
• Title（参考訳）: 不斉損失の緩和と医用画像の長期的不均衡を克服するためのペイド近似
• Authors: Pankhi Kashyap, Pavni Tandon, Sunny Gupta, Abhishek Tiwari, Ritwik Kulkarni, Kshitij Sharad Jadhav,
• Abstract要約: 医療における長期の問題は、異なる医療条件の頻度と表現の変動により、データの不均衡から生じる。 クロスエントロピーやバイナリクロスエントロピーのような伝統的な損失関数は、不均衡に対処できないため、しばしば不十分である。 そこで本研究では,Pade近似に基づく新たな損失関数を導入し,長期化に伴う課題を克服する。
• 参考スコア（独自算出の注目度）: 0.760142793217463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-tailed problems in healthcare emerge from data imbalance due to variability in the prevalence and representation of different medical conditions, warranting the requirement of precise and dependable classification methods. Traditional loss functions such as cross-entropy and binary cross-entropy are often inadequate due to their inability to address the imbalances between the classes with high representation and the classes with low representation found in medical image datasets. We introduce a novel polynomial loss function based on Pade approximation, designed specifically to overcome the challenges associated with long-tailed classification. This approach incorporates asymmetric sampling techniques to better classify under-represented classes. We conducted extensive evaluations on three publicly available medical datasets and a proprietary medical dataset. Our implementation of the proposed loss function is open-sourced in the public repository:https://github.com/ipankhi/ALPA.
• Abstract（参考訳）: 医療における長期の問題は、異なる医療条件の有病率の変動と表現によるデータの不均衡から生じ、正確で信頼性の高い分類法の必要性が保証される。 クロスエントロピーやバイナリクロスエントロピーのような伝統的な損失関数は、高表現のクラスと低表現のクラスの間の不均衡に対処できないため、しばしば不十分である。 本研究では,Pade近似に基づく新しい多項式損失関数を提案する。 このアプローチは、非対称なサンプリング手法を取り入れて、表現されていないクラスをよりよく分類する。 利用可能な3つの医療データセットと独自の医療データセットについて広範な評価を行った。 提案した損失関数の実装は,公開リポジトリでオープンソースとして公開されています。

関連論文リスト

• Saliency-guided and Patch-based Mixup for Long-tailed Skin Cancer Image Classification [4.40264652375374]
  長い尾のコンテキストでは、いくつかの一般的な疾患カテゴリがデータの大半を占めており、まれな疾患カテゴリで利用できるサンプルはごくわずかである。 長期皮膚がん画像分類のための新しいアプローチである textbfSaliency-guided と textbfPatch-based textbfMixup (SPMix) を提案する。
  論文  参考訳（メタデータ） (2024-06-16T04:38:10Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Robust Asymmetric Loss for Multi-Label Long-Tailed Learning [8.526086056172273]
  本稿では,長い尾と複数ラベルの分類問題に同時に対処する機能に対して,ロバストな非対称な損失を提案する。 ICCVAMD 2023コンペティションのCVR-LTデータセットのTop-5結果を得た。
  論文  参考訳（メタデータ） (2023-08-10T12:41:08Z)
• Class-Specific Distribution Alignment for Semi-Supervised Medical Image Classification [14.343079589464994]
  CSDA(Class-Specific Distribution Alignment)は、自己学習に基づく半教師付き学習フレームワークである。 本手法は, 半教師付き皮膚疾患, 胸部疾患, 内視鏡的画像分類作業において, 競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2023-07-29T13:38:19Z)
• ProCo: Prototype-aware Contrastive Learning for Long-tailed Medical Image Classification [12.399428395862639]
  我々は、長い尾の医療不均衡問題に取り組むために、対照的な学習を採用する。 全体的なフレームワーク、すなわちPrototype-aware Contrastive Learning (ProCo)は、単一のステージパイプラインとして統合されている。 提案手法は既存の最先端手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-01T02:24:16Z)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• 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)
• RA-GCN: Graph Convolutional Network for Disease Prediction Problems with Imbalanced Data [47.00510780034136]
  クラス不均衡は疾患予測の分野でよく知られた問題である。 本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。 本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
  論文  参考訳（メタデータ） (2021-02-27T14:06:27Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。