論文の概要: Enhancing Transfer Learning for Medical Image Classification with SMOTE: A Comparative Study

• arxiv url: http://arxiv.org/abs/2412.20235v1
• Date: Sat, 28 Dec 2024 18:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:04:46.160613
• Title: Enhancing Transfer Learning for Medical Image Classification with SMOTE: A Comparative Study
• Title（参考訳）: SMOTEを用いた医用画像分類のための伝達学習の強化 : 比較検討
• Authors: Md. Zehan Alam, Tonmoy Roy, H. M. Nahid Kawsar, Iffat Rimi,
• Abstract要約: 本稿では,医療画像における多ラベル画像分類へのトランスファーラーニング(TL)の適用について検討し,拡張する。 以上の結果から, TLモデルは脳腫瘍の分類に優れ, ほぼ最適測定値が得られた。 我々は,SMOTE(Synthetic Minority Oversampling Computing Technique)とTLと従来の機械学習(ML)手法を統合し,精度を1.97%向上し,リコール(感度)を5.43%向上し,特異度を0.72%向上させる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper explores and enhances the application of Transfer Learning (TL) for multilabel image classification in medical imaging, focusing on brain tumor class and diabetic retinopathy stage detection. The effectiveness of TL-using pre-trained models on the ImageNet dataset-varies due to domain-specific challenges. We evaluate five pre-trained models-MobileNet, Xception, InceptionV3, ResNet50, and DenseNet201-on two datasets: Brain Tumor MRI and APTOS 2019. Our results show that TL models excel in brain tumor classification, achieving near-optimal metrics. However, performance in diabetic retinopathy detection is hindered by class imbalance. To mitigate this, we integrate the Synthetic Minority Over-sampling Technique (SMOTE) with TL and traditional machine learning(ML) methods, which improves accuracy by 1.97%, recall (sensitivity) by 5.43%, and specificity by 0.72%. These findings underscore the need for combining TL with resampling techniques and ML methods to address data imbalance and enhance classification performance, offering a pathway to more accurate and reliable medical image analysis and improved patient outcomes with minimal extra computation powers.
• Abstract（参考訳）: 本稿では,脳腫瘍クラスと糖尿病網膜症ステージ検出に焦点をあて,マルチラベル画像分類におけるトランスファーラーニング(TL)の適用について検討し,拡張する。 ドメイン固有の課題によるImageNetデータセットバリア上でのTL使用事前トレーニングモデルの有効性。 脳腫瘍MRI(Brain tumor MRI)とAPTOS 2019(APTOS 2019)の5つの事前トレーニングモデル(MobileNet、Xception、InceptionV3、ResNet50、DenseNet201-on)を評価した。 以上の結果から, TLモデルは脳腫瘍の分類に優れ, ほぼ最適測定値が得られた。 しかし,糖尿病網膜症検出の成績は,クラス不均衡によって阻害される。 これを軽減するために、SMOTE(Synthetic Minority Over-Sampling Technique)とTLおよび従来の機械学習(ML)メソッドを統合し、精度を1.97%改善し、リコール(感度)を5.43%改善し、特異度を0.72%向上させる。 これらの知見は、データ不均衡に対処し、分類性能を向上させるために、TLと再サンプリング技術とMLメソッドを組み合わせる必要性を強調し、より正確で信頼性の高い医用画像解析への経路を提供し、最小限の計算能力で患者の結果を改善することを可能にした。

関連論文リスト

• Residual Vision Transformer (ResViT) Based Self-Supervised Learning Model for Brain Tumor Classification [0.08192907805418585]
  自己教師付き学習モデルは、限られたデータセット問題に対するデータ効率と注目すべき解決策を提供する。 本稿では2段階の脳腫瘍分類のための生成型SSLモデルを提案する。 提案されたモデルが最も精度が高く、T1シークエンスでBraTsデータセットで90.56%、Figshareで98.53%、Kaggle脳腫瘍データセットで98.47%を達成している。
  論文  参考訳（メタデータ） (2024-11-19T21:42:57Z)
• 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)
• Self-supervised Brain Lesion Generation for Effective Data Augmentation of Medical Images [0.9626666671366836]
  本稿では,脳病変分割モデルのトレーニングのための新しいサンプルを効率よく生成するフレームワークを提案する。 まず, 対向型自己エンコーダに基づく病変発生器を自己管理的に訓練する。 次に,新しい画像合成アルゴリズムであるSoft Poisson Blendingを用いて,合成病変と脳画像のシームレスな結合を行う。
  論文  参考訳（メタデータ） (2024-06-21T01:53:12Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Efficiently Training Vision Transformers on Structural MRI Scans for Alzheimer's Disease Detection [2.359557447960552]
  ビジョントランスフォーマー(ViT)は近年、コンピュータビジョンアプリケーションのためのCNNの代替として登場した。 難易度に基づいて,脳神経画像の下流タスクに対するViTアーキテクチャの変種を検証した。 合成および実MRIスキャンで事前訓練した微調整型視覚変換器モデルを用いて、5%と9-10%の性能向上を実現した。
  論文  参考訳（メタデータ） (2023-03-14T20:18:12Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• 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)
• Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer Classification in Imbalanced Data Sets [0.6802401545890961]
  医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。 多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。 本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-03-22T06:04:45Z)
• Predictive Analysis of Diabetic Retinopathy with Transfer Learning [0.0]
  本稿では,糖尿病網膜症分類のためのCNNアーキテクチャの性能をトランスファーラーニングの助けを借りて検討する。 その結果,VGG 16モデルを用いた画像ネット重み付きトランスファー学習は,95%の精度で最高の分類性能を示した。
  論文  参考訳（メタデータ） (2020-11-08T18:54:57Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。