論文の概要: A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2411.10843v1
• Date: Sat, 16 Nov 2024 17:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:36:15.481870
• Title: A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks
• Title（参考訳）: 畳み込みニューラルネットワークを用いた糖尿病網膜症検出のための適応型ハイブリッド焦点エントロピー損失
• Authors: Pandiyaraju V, Santhosh Malarvannan, Shravan Venkatraman, Abeshek A, Priyadarshini B, Kannan A,
• Abstract要約: 糖尿病網膜症に対するAHFE(Adaptive Hybrid Focal-Entropy Loss)を提案する。 AHFEは、焦点損失とエントロピー損失のアイデアと適応重み付けを組み合わせて、少数派に焦点を合わせる。 AHFEによる糖尿病網膜症検出に応用した最先端の術式では,良好な成績を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Diabetic retinopathy is a leading cause of blindness around the world and demands precise AI-based diagnostic tools. Traditional loss functions in multi-class classification, such as Categorical Cross-Entropy (CCE), are very common but break down with class imbalance, especially in cases with inherently challenging or overlapping classes, which leads to biased and less sensitive models. Since a heavy imbalance exists in the number of examples for higher severity stage 4 diabetic retinopathy, etc., classes compared to those very early stages like class 0, achieving class balance is key. For this purpose, we propose the Adaptive Hybrid Focal-Entropy Loss which combines the ideas of focal loss and entropy loss with adaptive weighting in order to focus on minority classes and highlight the challenging samples. The state-of-the art models applied for diabetic retinopathy detection with AHFE revealed good performance improvements, indicating the top performances of ResNet50 at 99.79%, DenseNet121 at 98.86%, Xception at 98.92%, MobileNetV2 at 97.84%, and InceptionV3 at 93.62% accuracy. This sheds light into how AHFE promotes enhancement in AI-driven diagnostics for complex and imbalanced medical datasets.
• Abstract（参考訳）: 糖尿病網膜症は、世界中の視覚障害の主要な原因であり、正確なAIベースの診断ツールを必要とする。 CCE(Categorical Cross-Entropy)のような多クラス分類における伝統的な損失関数は、非常に一般的であるが、特に本質的に困難あるいは重複するクラスの場合において、クラス不均衡によって分解される。 重症度が高いステージ4糖尿病網膜症等の例では、重度の不均衡が存在するため、クラス0のような非常に初期の段階と比較して、クラスバランスを達成することが重要である。 そこで本研究では,焦点損失とエントロピー損失のアイデアと適応重み付けを組み合わせたアダプティブハイブリッド・フォカル・エントロピー損失を提案する。 AHFEによる糖尿病網膜症検出に応用された最先端技術モデルでは、99.79%のResNet50、98.86%のDenseNet121、98.92%のXception、97.84%のMobileNetV2、93.62%のInceptionV3のパフォーマンスが向上した。 これによりAHFEは、複雑で不均衡な医療データセットに対するAI駆動診断の強化を促進する。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis [6.095029229301643]
  3つのデータセットの実験結果は、従来の手法と比較して、全体的な精度、感度、特異性を大幅に改善したことを示している。 このことは、堅牢な糖尿病診断のためのディープラーニングモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-12T10:18:59Z)
• Class-attribute Priors: Adapting Optimization to Heterogeneity and Fairness Objective [54.33066660817495]
  現代の分類問題は、個々のクラスにまたがって不均一性を示す。 本稿では,クラス固有の学習戦略を効果的かつ汎用的に生成するCAPを提案する。 CAPは先行技術と競合しており、その柔軟性により、バランスの取れた精度以上の公平性目標に対する明確なメリットが期待できる。
  論文  参考訳（メタデータ） (2024-01-25T17:43:39Z)
• An Improved Model for Diabetic Retinopathy Detection by using Transfer Learning and Ensemble Learning [0.5735035463793009]
  本稿では,糖尿病網膜症を正確に検出する機械学習モデルを開発した。 オーバーフィッティングを減らすため、データ拡張と正規化が行われた。
  論文  参考訳（メタデータ） (2023-06-03T12:19:21Z)
• An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
  糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。 まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。 最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
  論文  参考訳（メタデータ） (2022-12-12T22:06:47Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Sea-Net: Squeeze-And-Excitation Attention Net For Diabetic Retinopathy Grading [9.181677987146418]
  糖尿病は個人で最も一般的な病気の1つである。 糖尿病網膜症 (DR) は糖尿病の合併症であり、失明を引き起こす可能性がある。 網膜画像に基づくDRグレーディングは、治療計画のための診断と予後に優れた価値を提供する。
  論文  参考訳（メタデータ） (2020-10-29T03:48:01Z)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Automated Diabetic Retinopathy Grading using Deep Convolutional Neural Network [0.7646713951724012]
  糖尿病網膜症を正確に検出するコンピュータ支援検出システムの能力は、研究者の間で普及した。 本研究では,事前トレーニングされたDenseNet121ネットワークを利用して,いくつかの修正を加え,APTOS 2019データセットでトレーニングした。 提案手法は早期発見において他の最先端ネットワークよりも優れており,糖尿病網膜症の重症度評価において96.51%の精度でマルチラベル分類を行った。
  論文  参考訳（メタデータ） (2020-04-14T07:37:21Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。