論文の概要: MetaChest: Generalized few-shot learning of patologies from chest X-rays
- arxiv url: http://arxiv.org/abs/2509.25590v1
- Date: Mon, 29 Sep 2025 23:27:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-01 17:09:04.36165
- Title: MetaChest: Generalized few-shot learning of patologies from chest X-rays
- Title（参考訳）: MetaChest:胸部X線からのパトグラフィの一般学習
- Authors: Berenice Montalvo-Lezama, Gibran Fuentes-Pineda,
- Abstract要約: 少数のラベル付き例から新しいクラスを識別することを目的とした学習手法はほとんどない。
胸部X線から病理学の分類のような医学的応用は、しばしば、以前に知られていた知識を同時に活用しながら、新しいクラスを学ぶ必要がある。
4つの公開データベースから収集した479,215個の胸部X線の大規模データセットであるMetaChestを提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The limited availability of annotated data presents a major challenge for applying deep learning methods to medical image analysis. Few-shot learning methods aim to recognize new classes from only a small number of labeled examples. These methods are typically studied under the standard few-shot learning setting, where all classes in a task are new. However, medical applications such as pathology classification from chest X-rays often require learning new classes while simultaneously leveraging knowledge of previously known ones, a scenario more closely aligned with generalized few-shot classification. Despite its practical relevance, few-shot learning has been scarcely studied in this context. In this work, we present MetaChest, a large-scale dataset of 479,215 chest X-rays collected from four public databases. MetaChest includes a meta-set partition specifically designed for standard few-shot classification, as well as an algorithm for generating multi-label episodes. We conduct extensive experiments evaluating both a standard transfer learning approach and an extension of ProtoNet across a wide range of few-shot multi-label classification tasks. Our results demonstrate that increasing the number of classes per episode and the number of training examples per class improves classification performance. Notably, the transfer learning approach consistently outperforms the ProtoNet extension, despite not being tailored for few-shot learning. We also show that higher-resolution images improve accuracy at the cost of additional computation, while efficient model architectures achieve comparable performance to larger models with significantly reduced resource requirements.
- Abstract（参考訳）: 注釈付きデータの限られた利用は、深層学習法を医用画像解析に適用する上で大きな課題となる。
少数のラベル付き例から新しいクラスを識別することを目的とした学習手法はほとんどない。
これらの手法は通常、タスクのすべてのクラスが新しくなった標準的な数ショットの学習環境下で研究される。
しかしながら、胸部X線からの病理学分類のような医学的応用は、しばしば新しいクラスを学習し、それと同時に既知のクラスについての知識を活用する必要がある。
その実践的関連性にもかかわらず、この文脈では、ほとんどショットラーニングは研究されていない。
本研究では,4つの公開データベースから収集した479,215個の胸部X線の大規模データセットであるMetaChestを紹介する。
MetaChestには、標準的ないくつかのショット分類用に特別に設計されたメタセットパーティションと、マルチラベルエピソードを生成するアルゴリズムが含まれている。
我々は,標準転写学習手法とProtoNetの拡張の両方を,広範囲の複数ラベル分類タスクで評価する広範囲な実験を行った。
その結果,エピソードごとの授業数の増加と授業ごとのトレーニング例数の増加が,分類性能の向上を実証した。
特に、転送学習のアプローチは、数ショットの学習に向いていないにもかかわらず、ProtoNetの拡張よりも一貫して優れています。
また,高精細画像の精度向上や,高効率なモデルアーキテクチャが資源要求を著しく低減した大規模モデルに匹敵する性能を実現していることを示す。
関連論文リスト
- Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New
Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。
我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。
このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文 参考訳（メタデータ） (2022-08-29T04:34:15Z) - FHIST: A Benchmark for Few-shot Classification of Histological Images [20.182417148565147]
画像分類にはあまり関心が寄せられていないが、現在の公開ベンチマークのほとんどは自然画像に焦点を当てている。
本稿では、様々な公開データセットから収集された高度に多様化した公開ベンチマークを、数発のヒストロジーデータ分類のために導入する。
本ベンチマークでは,最新の数ショット学習手法の性能評価を行い,単純な微調整法と正規化法が,一般的なメタラーニングやエピソディック学習のパラダイムよりも優れた結果が得られることを検証した。
論文 参考訳（メタデータ） (2022-05-31T20:03:40Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Constrained Deep One-Class Feature Learning For Classifying Imbalanced
Medical Images [4.211466076086617]
データの不均衡問題に対処するために、一級分類が注目を集めている。
本稿では,コンパクトな特徴を学習するための新しい深層学習手法を提案する。
提案手法は,各クラスに関連するより関連性の高い特徴を学習し,多数派と少数派のサンプルを識別しやすくする。
論文 参考訳（メタデータ） (2021-11-20T15:25:24Z) - Few-shot segmentation of medical images based on meta-learning with
implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。
このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文 参考訳（メタデータ） (2021-06-06T19:52:06Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - Theoretical Insights Into Multiclass Classification: A High-dimensional
Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。
分析の結果,分類精度は分布に依存していることがわかった。
得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文 参考訳（メタデータ） (2020-11-16T05:17:29Z) - Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。
実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文 参考訳（メタデータ） (2020-08-06T05:52:59Z) - Additive Angular Margin for Few Shot Learning to Classify Clinical
Endoscopy Images [42.74958357195011]
我々は、トレーニングデータが少なくなり、未知のデータセットからテストサンプルのラベルクラスを予測するために使用できる、数ショットの学習手法を提案する。
我々は,マルチセンター,マルチオーガナイズド,マルチモーダル内視鏡データの大規模コホートにおけるいくつかの確立された手法との比較を行った。
論文 参考訳（メタデータ） (2020-03-23T00:20:52Z)
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。