論文の概要: UCDSC: Open Set UnCertainty aware Deep Simplex Classifier for Medical Image Datasets

• arxiv url: http://arxiv.org/abs/2511.08196v1
• Date: Wed, 12 Nov 2025 01:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.689041
• Title: UCDSC: Open Set UnCertainty aware Deep Simplex Classifier for Medical Image Datasets
• Title（参考訳）: UCDSC: 医用画像データセットのためのDeep Simplex分類器をオープンに設定する
• Authors: Arnav Aditya, Nitin Kumar, Saurabh Shigwan,
• Abstract要約: オープンセット認識は、サンプルが既知のクラスのいずれかに属しているか、未知のクラスとして拒絶されるべきかを特定することで重要な役割を果たす。 近年の研究では、ディープニューラルネットワークの後期で学んだ特徴が、クラス平均の周囲に集まっていることが示されている。 提案手法では,開空間領域をペナルティ化することにより,未知のクラスのサンプルを効果的に除去することのできる損失関数を提案する。
• 参考スコア（独自算出の注目度）: 1.5650274554528478
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Driven by advancements in deep learning, computer-aided diagnoses have made remarkable progress. However, outside controlled laboratory settings, algorithms may encounter several challenges. In the medical domain, these difficulties often stem from limited data availability due to ethical and legal restrictions, as well as the high cost and time required for expert annotations-especially in the face of emerging or rare diseases. In this context, open-set recognition plays a vital role by identifying whether a sample belongs to one of the known classes seen during training or should be rejected as an unknown. Recent studies have shown that features learned in the later stages of deep neural networks are observed to cluster around their class means, which themselves are arranged as individual vertices of a regular simplex [32]. The proposed method introduces a loss function designed to reject samples of unknown classes effectively by penalizing open space regions using auxiliary datasets. This approach achieves significant performance gain across four MedMNIST datasets-BloodMNIST, OCTMNIST, DermaMNIST, TissueMNIST and a publicly available skin dataset [29] outperforming state-of-the-art techniques.
• Abstract（参考訳）: ディープラーニングの進歩によって、コンピュータ支援診断は目覚ましい進歩を遂げた。 しかし、外部で制御された実験室の設定では、アルゴリズムはいくつかの課題に遭遇する可能性がある。 医学領域では、これらの困難は、倫理的・法的制約によるデータの可用性の制限や、特に新興または稀な疾患に直面した専門家の注釈に必要な高コストと時間に起因することが多い。 この文脈では、オープンセット認識は、トレーニング中に見られている既知のクラスのいずれかに属しているか、未知のクラスとして無視されるべきかどうかを特定することで重要な役割を果たす。 近年の研究では、ディープニューラルネットワークの後期で学習された特徴が、それらのクラス平均の周囲に集まっていることが示されており、それらは通常の単純な[32]の個々の頂点として配置されている。 提案手法では, 補助的データセットを用いてオープンスペース領域をペナルティ化することにより, 未知クラスのサンプルを効果的に除去するロス関数を提案する。 このアプローチは、4つのMedMNISTデータセット(BloodMNIST, OCTMNIST, DermaMNIST, tissueMNIST, そして公開されているスキンデータセット[29]において、最先端技術よりも優れたパフォーマンスを実現している。

関連論文リスト

• ProtoKD: Learning from Extremely Scarce Data for Parasite Ova Recognition [5.224806515926022]
  ProtoKDは,極端に少ないデータを用いたマルチクラス寄生生物認識の課題に対処するための最初のアプローチの一つである。 我々は、この重要な方向の研究を推進し、提案したProtoKDフレームワークが最先端のパフォーマンスを達成することを検証するために、新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2023-09-18T23:49:04Z)
• Learning Large Margin Sparse Embeddings for Open Set Medical Diagnosis [8.131130865777346]
  オープンセット認識(OSR)では、トレーニングで見えないカテゴリがテストに現れる可能性がある。 OSRは、既知のクラスを正しく分類するだけでなく、未知のクラスを認識し、さらなる診断のために専門家に転送するアルゴリズムを必要とする。 我々は,Open Margin Cosine Loss (OMCL) の2つのメカニズムを統一する手法を提案する。前者はMargin Loss with Adaptive Scale (MLAS) と呼ばれ,クラス内コンパクト性とクラス間セパビリティの強化のための角マージンを導入した。 後者はOpen-Space Suppression (OSS)と呼ばれ、提案された特徴空間記述子を用いて、スパース埋め込み空間を未知として認識することで分類器を開放する。
  論文  参考訳（メタデータ） (2023-07-10T13:09:42Z)
• Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
  子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。 我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。 そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-02-21T13:24:40Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• 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)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Facial Anatomical Landmark Detection using Regularized Transfer Learning with Application to Fetal Alcohol Syndrome Recognition [24.27777060287004]
  出生前アルコール曝露による胎児アルコール症候群(FAS)は、一連の頭蓋顔面異常を引き起こす可能性がある。 解剖学的ランドマーク検出は,FAS関連顔面異常の検出に重要である。 自然画像における顔のランドマーク検出のために設計された現在のディープラーニングに基づく熱マップ回帰法は、大きなデータセットが利用できることを前提としている。 我々は,大規模な顔認識データセットから学習したネットワークの知識を活用する,新たな正規化トランスファー学習手法を開発した。
  論文  参考訳（メタデータ） (2021-09-12T11:05:06Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。