論文の概要: Alleviating Hyperparameter-Tuning Burden in SVM Classifiers for Pulmonary Nodules Diagnosis with Multi-Task Bayesian Optimization

• arxiv url: http://arxiv.org/abs/2411.06184v1
• Date: Sat, 09 Nov 2024 13:52:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:48.581515
• Title: Alleviating Hyperparameter-Tuning Burden in SVM Classifiers for Pulmonary Nodules Diagnosis with Multi-Task Bayesian Optimization
• Title（参考訳）: マルチタスクベイズ最適化による肺結節診断のためのSVM分類器におけるハイパーパラメータ調整バーデンの緩和
• Authors: Wenhao Chi, Haiping Liu, Hongqiao Dong, Wenhua Liang, Bo Liu,
• Abstract要約: マルチタスクベイズ最適化は良性および悪性肺結節の分類を高速化するために用いられる。 我々の知る限りでは、これは多重タスクベイズ最適化を重要な医学的文脈で活用する最初の調査である。
• 参考スコア（独自算出の注目度）: 1.6918164021402144
• License:
• Abstract: In the field of non-invasive medical imaging, radiomic features are utilized to measure tumor characteristics. However, these features can be affected by the techniques used to discretize the images, ultimately impacting the accuracy of diagnosis. To investigate the influence of various image discretization methods on diagnosis, it is common practice to evaluate multiple discretization strategies individually. This approach often leads to redundant and time-consuming tasks such as training predictive models and fine-tuning hyperparameters separately. This study examines the feasibility of employing multi-task Bayesian optimization to accelerate the hyperparameters search for classifying benign and malignant pulmonary nodules using RBF SVM. Our findings suggest that multi-task Bayesian optimization significantly accelerates the search for hyperparameters in comparison to a single-task approach. To the best of our knowledge, this is the first investigation to utilize multi-task Bayesian optimization in a critical medical context.
• Abstract（参考訳）: 非侵襲的な医療画像の分野では、放射線学的特徴を利用して腫瘍の特徴を測定する。 しかし、これらの特徴は画像の識別に使用される技術に影響され、最終的に診断の精度に影響を及ぼす可能性がある。 画像の識別方法が診断に与える影響を調べるために,複数の識別戦略を個別に評価することが一般的である。 このアプローチは、予測モデルと微調整ハイパーパラメータを別々にトレーニングするなど、冗長で時間を要するタスクにつながることが多い。 RBF SVMを用いた良性肺結節と悪性肺結節の分類において,マルチタスクベイズ最適化を用いてハイパーパラメーター検索を高速化する可能性について検討した。 その結果,マルチタスクベイズ最適化は単一タスクアプローチと比較してハイパーパラメータの探索を著しく加速することがわかった。 我々の知る限りでは、これは多重タスクベイズ最適化を重要な医学的文脈で活用する最初の調査である。

関連論文リスト

• PGDiffSeg: Prior-Guided Denoising Diffusion Model with Parameter-Shared Attention for Breast Cancer Segmentation [15.90226610791458]
  早期発見は乳癌による高い死亡率の軽減に不可欠である。 低解像度・高ノイズの医用画像から腫瘍を見つけることは極めて困難である。 本稿では,乳がん画像分割に拡散復調法を適用した新しいPGDiffSegを提案する。
  論文  参考訳（メタデータ） (2024-10-23T12:17:03Z)
• Deep Learning to Predict Late-Onset Breast Cancer Metastasis: the Single Hyperparameter Grid Search (SHGS) Strategy for Meta Tuning Concerning Deep Feed-forward Neural Network [7.332652485849632]
  n年前から乳がんの転移を予測できるDFNNモデルの構築に取り組んできた。 この課題は、時間とリソースの制約を考慮して、グリッドサーチによって最適なハイパーパラメータ値を効率的に特定することにある。
  論文  参考訳（メタデータ） (2024-08-28T03:00:43Z)
• MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
  CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。 本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T17:52:00Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Refining Myocardial Infarction Detection: A Novel Multi-Modal Composite Kernel Strategy in One-Class Classification [14.469786240272365]
  心筋梗塞(MI)の早期発見は、さらなる損傷を防ぐために不可欠である。 本研究では,心エコー法における一クラス分類法(OCC)を用いた早期MI検出法を提案する。 今回提案したマルチビュー・アプローチは71.24%の幾何学的平均値を達成し,心エコー図に基づくMI診断の大幅な進歩を示唆している。
  論文  参考訳（メタデータ） (2024-02-09T16:41:50Z)
• Multi-Objective Population Based Training [62.997667081978825]
  Population Based Training (PBT) は効率的なハイパーパラメータ最適化アルゴリズムである。 本研究ではPBTの多目的版であるMO-PBTを紹介する。
  論文  参考訳（メタデータ） (2023-06-02T10:54:24Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Uncertainty-Aware Multi-Parametric Magnetic Resonance Image Information Fusion for 3D Object Segmentation [12.361668672097753]
  拡張された3次元画像セグメンテーションのための情報を完全に活用するために,不確実性を考慮したマルチパラメトリックMR画像特徴融合法を提案する。 提案手法は,既存モデルと比較してセグメンテーション性能が向上する。
  論文  参考訳（メタデータ） (2022-11-16T09:16:52Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)

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。