論文の概要: CLOG-CD: Curriculum Learning based on Oscillating Granularity of Class Decomposed Medical Image Classification

• arxiv url: http://arxiv.org/abs/2505.01741v1
• Date: Sat, 03 May 2025 08:36:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.247881
• Title: CLOG-CD: Curriculum Learning based on Oscillating Granularity of Class Decomposed Medical Image Classification
• Title（参考訳）: CLOG-CD: クラス分解医用画像分類の粒度振動に基づくカリキュラム学習
• Authors: Asmaa Abbas, Mohamed Gaber, Mohammed M. Abdelsamea,
• Abstract要約: クラス分解アプローチは、データセットのクラス内の境界を学習することで、問題の解決に有望な結果を示している。 CLOG-CDと呼ばれるカリキュラム学習戦略とクラス分解アプローチに基づく新しいCNNトレーニング手法を提案する。
• 参考スコア（独自算出の注目度）: 3.441021278275805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Curriculum learning strategies have been proven to be effective in various applications and have gained significant interest in the field of machine learning. It has the ability to improve the final model's performance and accelerate the training process. However, in the medical imaging domain, data irregularities can make the recognition task more challenging and usually result in misclassification between the different classes in the dataset. Class-decomposition approaches have shown promising results in solving such a problem by learning the boundaries within the classes of the data set. In this paper, we present a novel convolutional neural network (CNN) training method based on the curriculum learning strategy and the class decomposition approach, which we call CLOG-CD, to improve the performance of medical image classification. We evaluated our method on four different imbalanced medical image datasets, such as Chest X-ray (CXR), brain tumour, digital knee X-ray, and histopathology colorectal cancer (CRC). CLOG-CD utilises the learnt weights from the decomposition granularity of the classes, and the training is accomplished from descending to ascending order (i.e., anti-curriculum technique). We also investigated the classification performance of our proposed method based on different acceleration factors and pace function curricula. We used two pre-trained networks, ResNet-50 and DenseNet-121, as the backbone for CLOG-CD. The results with ResNet-50 show that CLOG-CD has the ability to improve classification performance with an accuracy of 96.08% for the CXR dataset, 96.91% for the brain tumour dataset, 79.76% for the digital knee X-ray, and 99.17% for the CRC dataset, compared to other training strategies. In addition, with DenseNet-121, CLOG-CD has achieved 94.86%, 94.63%, 76.19%, and 99.45% for CXR, brain tumour, digital knee X-ray, and CRC datasets, respectively
• Abstract（参考訳）: カリキュラム学習戦略は様々な応用に有効であることが証明されており、機械学習分野に大きな関心を寄せている。 最終モデルの性能を改善し、トレーニングプロセスを加速する能力がある。 しかし、医用画像領域では、データの不規則により認識タスクがより困難になり、通常、データセット内の異なるクラス間の誤分類が発生する。 クラス分解アプローチは、データセットのクラス内の境界を学習することで、そのような問題を解決する上で有望な結果を示している。 本稿では,CLOG-CDと呼ばれるカリキュラム学習戦略とクラス分解アプローチに基づく,新しい畳み込みニューラルネットワーク(CNN)トレーニング手法を提案する。 我々は,Chest X-ray(CXR),脳腫瘍,デジタル膝X-ray,病理組織学的大腸癌(CRC)の4種類の不均衡な医用画像データセットについて検討した。 CLOG-CDは学習重量をクラスの分解粒度から利用し、訓練は降下から上昇順(反キュリキュラム法)まで行う。 また,異なる加速度因子とペース関数のカリキュラムに基づいて,提案手法の分類性能について検討した。 我々は、CLOG-CDのバックボーンとして、ResNet-50とDenseNet-121の2つの事前訓練ネットワークを使用した。 ResNet-50の結果によると、CLOG-CDはCXRデータセットの96.08%、脳腫瘍データセットの96.91%、デジタル膝X線で79.76%、CRCデータセットで99.17%の精度で分類性能を向上させることができる。 さらに、DenseNet-121では、CLOG-CDはそれぞれ94.86%、94.63%、76.19%、CXR、脳腫瘍、デジタル膝X線、CRCデータセットの99.45%を達成した。

関連論文リスト

• Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach [0.0]
  本研究では,Chest X線画像を用いて,新型コロナウイルスの重症度(中・中・重症度)を分類するための高精度深層学習モデルを提案する。 平均精度は97%,特異性は99%,感度は87%,F1スコアは93.11%であった。 これらの結果は、実際の臨床応用におけるモデルの可能性を示している。
  論文  参考訳（メタデータ） (2025-03-17T15:27:21Z)
• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Multi-Feature Vision Transformer via Self-Supervised Representation Learning for Improvement of COVID-19 Diagnosis [2.3513645401551333]
  CXR画像からのCOVID-19感染症の診断における自己教師型学習の有効性について検討した。 我々は、元のCXR画像とそれに対応する拡張されたローカル位相CXR画像から情報を学ぶために、クロスアテンション機構をデプロイする。 局所位相に基づく拡張CXR画像を活用することで,ベースライン型自己教師学習モデルの性能をさらに向上できることを示す。
  論文  参考訳（メタデータ） (2022-08-03T05:02:47Z)
• Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case Study on COVID-19 Chest X-ray Image [3.135883872525168]
  胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。 深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。 本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-27T20:06:45Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
  画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。 我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-11-13T16:04:39Z)
• 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。