論文の概要: WaveFuse-AL: Cyclical and Performance-Adaptive Multi-Strategy Active Learning for Medical Images

• arxiv url: http://arxiv.org/abs/2511.15132v1
• Date: Wed, 19 Nov 2025 05:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.643406
• Title: WaveFuse-AL: Cyclical and Performance-Adaptive Multi-Strategy Active Learning for Medical Images
• Title（参考訳）: WaveFuse-AL:医療画像のための周期的・性能適応型多段階能動学習
• Authors: Nishchala Thakur, Swati Kochhar, Deepti R. Bathula, Sukrit Gupta,
• Abstract要約: サイクル適応型多段階能動学習(WaveFuse-AL)を提案する。 WaveFuse-ALは、学習プロセスを通じて、BALD、BADGE、Entropy、CoreSetといった確立した買収戦略を融合させる。 実験の結果、WaveFuse-ALはシングルストラテジーと交互ストラテジーベースラインの両方を一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.7933039558471408
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Active learning reduces annotation costs in medical imaging by strategically selecting the most informative samples for labeling. However, individual acquisition strategies often exhibit inconsistent behavior across different stages of the active learning cycle. We propose Cyclical and Performance-Adaptive Multi-Strategy Active Learning (WaveFuse-AL), a novel framework that adaptively fuses multiple established acquisition strategies-BALD, BADGE, Entropy, and CoreSet throughout the learning process. WaveFuse-AL integrates cyclical (sinusoidal) temporal priors with performance-driven adaptation to dynamically adjust strategy importance over time. We evaluate WaveFuse-AL on three medical imaging benchmarks: APTOS-2019 (multi-class classification), RSNA Pneumonia Detection (binary classification), and ISIC-2018 (skin lesion segmentation). Experimental results demonstrate that WaveFuse-AL consistently outperforms both single-strategy and alternating-strategy baselines, achieving statistically significant performance improvements (on ten out of twelve metric measurements) while maximizing the utility of limited annotation budgets.
• Abstract（参考訳）: アクティブラーニングは、ラベリングのための最も情報性の高いサンプルを戦略的に選択することで、医用画像のアノテーションコストを低減させる。 しかし、個々の獲得戦略は、活発な学習サイクルの異なる段階にわたって矛盾した行動を示すことが多い。 本稿では,BALD,BADGE,Entropy,CoreSetといった複数の確立した買収戦略を適応的に融合させる新しいフレームワークである,サイクリックおよびパフォーマンス適応型多段階アクティブラーニング(WaveFuse-AL)を提案する。 WaveFuse-ALは、周期的(正弦波的な)時間的先行とパフォーマンス駆動適応を統合し、時間とともに戦略の重要性を動的に調整する。 APTOS-2019 (multi-class classification)、RSNA Pneumonia Detection (binary classification)、ISIC-2018 (skin lesion segmentation) の3つの指標を用いてWaveFuse-ALを評価した。 実験結果から、WaveFuse-ALはシングルストラテジーと交互ストラテジーの両方のベースラインを一貫して上回り、統計的に有意な性能向上を実現し(計12項目中10項目において)、限られたアノテーション予算の有用性を最大化していることがわかった。

関連論文リスト

• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• Fine-Tuning Strategies for Continual Online EEG Motor Imagery Decoding: Insights from a Large-Scale Longitudinal Study [4.758323889011331]
  本研究では,オンライン縦波脳波(EEG)運動画像(MI)復号における深層学習のための連続的微調整戦略について検討した。 私たちは大規模なユーザグループでこのような戦略を最初に探求した人物です。 本研究は、神経リハビリテーションと補助技術に不可欠な、より安定かつ効率的な長期運動画像復号を可能にする。
  論文  参考訳（メタデータ） (2025-02-05T12:57:53Z)
• Feasible Learning [78.6167929413604]
  本稿では,サンプル中心の学習パラダイムであるFeasible Learning(FL)を紹介する。 大規模言語モデルにおける画像分類, 年齢回帰, 好みの最適化といった経験的分析により, FLを用いて訓練したモデルでは, 平均的性能に限界があるものの, ERMと比較して改善された尾の挙動を示しながらデータから学習できることが実証された。
  論文  参考訳（メタデータ） (2025-01-24T20:39:38Z)
• Maximally Separated Active Learning [32.98415531556376]
  固定等角超球面点をクラスプロトタイプとして利用する能動的学習法を提案する。 5つのベンチマークデータセットにまたがる既存のアクティブラーニング技術よりも高いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-26T14:02:43Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Dynamic Policy-Driven Adaptive Multi-Instance Learning for Whole Slide Image Classification [26.896926631411652]
  マルチインスタンスラーニング (MIL) は, バッグや疑似バッグを用いた病理組織像全体(WSI)解析において, 優れた性能を示した。 既存のMILベースの技術は、少なくとも1つ以上の問題に悩まされている: 1) 多数のインスタンスに対して高いストレージと集中的な事前処理を必要とすること(サンプリング)、2) バッグラベルを予測するための限られた知識を持つ潜在的な過剰適合(機能表現)、3) 擬似バグカウントと事前バイアスはモデルの堅牢性と一般化可能性(意思決定)に影響を与える。
  論文  参考訳（メタデータ） (2024-03-09T04:43:24Z)
• ARHNet: Adaptive Region Harmonization for Lesion-aware Augmentation to Improve Segmentation Performance [61.04246102067351]
  本研究では,合成画像をよりリアルに見せるために,前景調和フレームワーク(ARHNet)を提案する。 実画像と合成画像を用いたセグメンテーション性能の向上に本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-02T10:39:29Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)
• Continual Active Learning Using Pseudo-Domains for Limited Labelling Resources and Changing Acquisition Characteristics [2.6105699925188257]
  臨床ルーチン中の医療画像における機械学習は、スキャナープロトコル、ハードウェア、ポリシーの変更によって損なわれる。 マルチスキャナ環境下で,医療画像のストリーム上で動作する連続的な能動学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T13:11:49Z)

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。