論文の概要: CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification

• arxiv url: http://arxiv.org/abs/2510.23442v1
• Date: Mon, 27 Oct 2025 15:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.595582
• Title: CURVETE: Curriculum Learning and Progressive Self-supervised Training for Medical Image Classification
• Title（参考訳）: CURVETE:医学画像分類のためのカリキュラム学習とプログレッシブ自己指導訓練
• Authors: Asmaa Abbas, Mohamed Gaber, Mohammed M. Abdelsamea,
• Abstract要約: 本稿では,Curriculum Learning and Progressive Self-supervised Training(CURVETE)という,新しい深層畳み込みニューラルネットワークを提案する。 CurVETEは、限られたサンプルに関する課題に対処し、モデルの一般化性を高め、全体的な分類性能を向上させる。 これを実現するために, 一般的な未学習サンプルの学習中に, サンプル分解の粒度に基づいてカリキュラム学習戦略を適用する。
• 参考スコア（独自算出の注目度）: 1.8352113484137627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying high-quality and easily accessible annotated samples poses a notable challenge in medical image analysis. Transfer learning techniques, leveraging pre-training data, offer a flexible solution to this issue. However, the impact of fine-tuning diminishes when the dataset exhibits an irregular distribution between classes. This paper introduces a novel deep convolutional neural network, named Curriculum Learning and Progressive Self-supervised Training (CURVETE). CURVETE addresses challenges related to limited samples, enhances model generalisability, and improves overall classification performance. It achieves this by employing a curriculum learning strategy based on the granularity of sample decomposition during the training of generic unlabelled samples. Moreover, CURVETE address the challenge of irregular class distribution by incorporating a class decomposition approach in the downstream task. The proposed method undergoes evaluation on three distinct medical image datasets: brain tumour, digital knee x-ray, and Mini-DDSM datasets. We investigate the classification performance using a generic self-supervised sample decomposition approach with and without the curriculum learning component in training the pretext task. Experimental results demonstrate that the CURVETE model achieves superior performance on test sets with an accuracy of 96.60% on the brain tumour dataset, 75.60% on the digital knee x-ray dataset, and 93.35% on the Mini-DDSM dataset using the baseline ResNet-50. Furthermore, with the baseline DenseNet-121, it achieved accuracies of 95.77%, 80.36%, and 93.22% on the brain tumour, digital knee x-ray, and Mini-DDSM datasets, respectively, outperforming other training strategies.
• Abstract（参考訳）: 高品質で容易にアクセス可能な注釈付きサンプルを同定することは、医用画像解析において顕著な課題である。 事前学習データを活用するトランスファー学習技術は、この問題に対して柔軟な解決策を提供する。 しかし、データセットがクラス間で不規則な分布を示すと、微調整の影響は減少する。 本稿では,Curriculum Learning and Progressive Self-supervised Training (CURVETE) と呼ばれる新しい深層畳み込みニューラルネットワークを提案する。 CURVETEは、限られたサンプルに関する課題に対処し、モデルの一般化性を高め、全体的な分類性能を向上させる。 これを実現するために, 一般的な未学習サンプルの学習中に, サンプル分解の粒度に基づいてカリキュラム学習戦略を適用する。 さらに、CURVETEは、下流タスクにクラス分解アプローチを組み込むことにより、不規則なクラス分布の課題に対処する。 提案手法は,脳腫瘍,デジタル膝X線,ミニDDSMの3つの異なる医用画像データセットの評価を行う。 本研究は,プレテキストタスクの学習において,カリキュラムの構成要素を含まない,汎用的な自己教師型サンプル分解手法を用いて,分類性能について検討する。 実験の結果、CURVETEモデルは、脳腫瘍データセットで96.60%、デジタル膝X線データセットで75.60%、ベースラインのResNet-50を用いてMini-DDSMデータセットで93.35%の精度で、テストセットで優れた性能を発揮することが示された。 さらに、ベースラインのDenseNet-121では、脳腫瘍、デジタル膝X線、Mini-DDSMデータセットで95.77%、80.36%、93.22%のアキュラシーを達成した。

関連論文リスト

• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Iterative Misclassification Error Training (IMET): An Optimized Neural Network Training Technique for Image Classification [0.5115559623386964]
  カリキュラム学習とコアセット選択に触発された新しいフレームワークであるIMET(Iterative Misclassification Error Training)を紹介する。 IMETは、トレーニングプロセスの合理化を図りつつ、エッジケースに対するモデルの注意を先入観的かつ稀な結果に優先順位付けしながら、誤分類されたサンプルを特定することを目的としている。 本稿では,最新のResNetアーキテクチャに対するベンチマーク医用画像分類データセット上でのIMETの性能を評価する。
  論文  参考訳（メタデータ） (2025-07-01T04:14:16Z)
• CLOG-CD: Curriculum Learning based on Oscillating Granularity of Class Decomposed Medical Image Classification [3.441021278275805]
  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。
  論文  参考訳（メタデータ） (2025-05-03T08:36:41Z)
• Probing Perfection: The Relentless Art of Meddling for Pulmonary Airway Segmentation from HRCT via a Human-AI Collaboration Based Active Learning Method [13.384578466263566]
  肺気管分節症では, 注記データの不足が主訴である。 ディープラーニング(DL)メソッドは、'ブラックボックス'モデルの不透明さとパフォーマンス向上の必要性という課題に直面します。 多様なクエリ戦略とさまざまなDLモデルを組み合わせることで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-07-03T23:27:53Z)
• Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
  本研究では、ドメイン固有の公平度指標を用いてタスク間でバイアスがどのように進化し、異なるCL戦略がこの進化にどのように影響するかを検討する。 以上の結果から,擬似ラベルと擬似ラベルの学習は最適分類性能を実現するが,擬似ラベルの偏りは小さいことが示唆された。
  論文  参考訳（メタデータ） (2024-04-10T09:48:52Z)
• Feature robustness and sex differences in medical imaging: a case study in MRI-based Alzheimer's disease detection [1.7616042687330637]
  我々はADNI MRIデータセットの2つの分類方式を比較した。 訓練データセットの性構成に対する男女試験対象者のモデル性能の強い依存は見つからない。
  論文  参考訳（メタデータ） (2022-04-04T17:37:54Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。