論文の概要: Improving Predictive Confidence in Medical Imaging via Online Label Smoothing

• arxiv url: http://arxiv.org/abs/2510.20011v1
• Date: Wed, 22 Oct 2025 20:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.824288
• Title: Improving Predictive Confidence in Medical Imaging via Online Label Smoothing
• Title（参考訳）: オンラインラベル平滑化による医用画像の予測信頼性の向上
• Authors: Kushan Choudhury, Shubhrodeep Roy, Ankur Chanda, Shubhajit Biswas, Somenath Kuiry,
• Abstract要約: Online Label Smoothing(OLS)は、モデル独自の予測パターンに基づいて、トレーニング全体を通じてソフトラベルを調整する動的アプローチである。 OLSは標準訓練法と比較してTop-1とTop-5の分類精度を一貫して改善する。
• 参考スコア（独自算出の注目度）: 0.18472148461613158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning models, especially convolutional neural networks, have achieved impressive results in medical image classification. However, these models often produce overconfident predictions, which can undermine their reliability in critical healthcare settings. While traditional label smoothing offers a simple way to reduce such overconfidence, it fails to consider relationships between classes by treating all non-target classes equally. In this study, we explore the use of Online Label Smoothing (OLS), a dynamic approach that adjusts soft labels throughout training based on the model's own prediction patterns. We evaluate OLS on the large-scale RadImageNet dataset using three widely used architectures: ResNet-50, MobileNetV2, and VGG-19. Our results show that OLS consistently improves both Top-1 and Top-5 classification accuracy compared to standard training methods, including hard labels, conventional label smoothing, and teacher-free knowledge distillation. In addition to accuracy gains, OLS leads to more compact and well-separated feature embeddings, indicating improved representation learning. These findings suggest that OLS not only strengthens predictive performance but also enhances calibration, making it a practical and effective solution for developing trustworthy AI systems in the medical imaging domain.
• Abstract（参考訳）: 深層学習モデル、特に畳み込みニューラルネットワークは、医用画像分類において驚くべき成果を上げている。 しかし、これらのモデルはしばしば過信的な予測をもたらし、重要な医療環境において信頼性を損なう可能性がある。 従来のラベルの平滑化は、そのような過信を減らす単純な方法を提供するが、全ての非ターゲットクラスを平等に扱うことで、クラス間の関係を考慮できない。 本研究では,モデル自体の予測パターンに基づいて,トレーニング全体を通してソフトラベルを調整する動的アプローチであるオンラインラベル平滑化(OLS)の利用について検討する。 我々は,大規模なRadImageNetデータセット上で,ResNet-50,MobileNetV2,VGG-19の3つの広く使用されているアーキテクチャを用いてOLSを評価する。 以上の結果から, OLSは, ハードラベル, 従来のラベルの平滑化, 教師なし知識蒸留など, 標準訓練法と比較して, Top-1 と Top-5 の分類精度を常に改善していることがわかった。 精度の向上に加えて、OLSはよりコンパクトで分離された特徴埋め込みをもたらし、表現学習の改善を示す。 これらの結果は,OLSが予測性能を高めるだけでなくキャリブレーションも向上し,医用画像領域において信頼性の高いAIシステムを開発するための実用的で効果的なソリューションであることが示唆された。

関連論文リスト

• Confidence-aware Denoised Fine-tuning of Off-the-shelf Models for Certified Robustness [56.2479170374811]
  我々はFT-CADIS(Fun Fine-Tuning with Confidence-Aware Denoized Image Selection)を紹介する。 FT-CADISは、既成の分類器の信頼性が、視覚的平滑化中の幻覚像を効果的に識別できるという観察に着想を得たものである。 様々なベンチマークにおいて、すべての$ell$-adversary半径にわたる偏微分平滑化法のうち、最先端の証明されたロバスト性を確立している。
  論文  参考訳（メタデータ） (2024-11-13T09:13:20Z)
• CALICO: Confident Active Learning with Integrated Calibration [11.978551396144532]
  トレーニングプロセス中にサンプル選択に使用される信頼度を自己校正するALフレームワークを提案する。 ラベル付きサンプルが少ないソフトマックス分類器と比較して,分類性能が向上した。
  論文  参考訳（メタデータ） (2024-07-02T15:05:19Z)
• Regularizing CNNs using Confusion Penalty Based Label Smoothing for Histopathology Images [7.659984194016969]
  現代のCNNは過信され、現実世界のシナリオでのデプロイが困難になる。 本稿では,各クラスにおけるモデル混乱を他のクラスよりも重要視する,混乱ペナルティに基づく新たなLS手法を提案する。 我々は,この手法を用いて,広く知られているCNNアーキテクチャを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-03-16T10:25:49Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Interpretable COVID-19 Chest X-Ray Classification via Orthogonality Constraint [10.190872613479632]
  胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。 これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。 提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
  論文  参考訳（メタデータ） (2021-02-02T11:35:28Z)

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。