論文の概要: Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19
- arxiv url: http://arxiv.org/abs/2512.24214v1
- Date: Tue, 30 Dec 2025 13:26:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.386527
- Title: Medical Image Classification on Imbalanced Data Using ProGAN and SMA-Optimized ResNet: Application to COVID-19
- Title（参考訳）: ProGANとSMA最適化ResNetを用いた不均衡データの医用画像分類:COVID-19への応用
- Authors: Sina Jahromi, Farshid Hajati, Alireza Rezaee, Javaher Nourian,
- Abstract要約: 本研究では, 合成データを生成し, 実際のデータを補うプログレッシブ・ジェネレーティブ・逆数ネットワークを提案する。
提案モデルでは,4クラスと2クラスの不均衡分類問題に対して,95.5%と98.5%の精度が得られた。
- 参考スコア（独自算出の注目度）: 1.270952934304684
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The challenge of imbalanced data is prominent in medical image classification. This challenge arises when there is a significant disparity in the number of images belonging to a particular class, such as the presence or absence of a specific disease, as compared to the number of images belonging to other classes. This issue is especially notable during pandemics, which may result in an even more significant imbalance in the dataset. Researchers have employed various approaches in recent years to detect COVID-19 infected individuals accurately and quickly, with artificial intelligence and machine learning algorithms at the forefront. However, the lack of sufficient and balanced data remains a significant obstacle to these methods. This study addresses the challenge by proposing a progressive generative adversarial network to generate synthetic data to supplement the real ones. The proposed method suggests a weighted approach to combine synthetic data with real ones before inputting it into a deep network classifier. A multi-objective meta-heuristic population-based optimization algorithm is employed to optimize the hyper-parameters of the classifier. The proposed model exhibits superior cross-validated metrics compared to existing methods when applied to a large and imbalanced chest X-ray image dataset of COVID-19. The proposed model achieves 95.5% and 98.5% accuracy for 4-class and 2-class imbalanced classification problems, respectively. The successful experimental outcomes demonstrate the effectiveness of the proposed model in classifying medical images using imbalanced data during pandemics.
- Abstract（参考訳）: 不均衡データの課題は、医用画像分類において顕著である。
この課題は、特定のクラスに属する画像の数、例えば特定の疾患の存在や欠如など、他のクラスに属する画像の数にかなりの差がある場合に発生する。
この問題はパンデミックの間特に顕著であり、データセットにさらに大きな不均衡をもたらす可能性がある。
近年、研究者は新型コロナウイルスの感染者を正確にかつ迅速に検出するために、人工知能と機械学習アルゴリズムを最前線に導入している。
しかし、十分なデータとバランスの取れていないことは、これらの手法にとって大きな障害である。
本研究は, 合成データを生成するために, プログレッシブ・ジェネレーティブ・逆境ネットワークを提案することで, 課題に対処する。
提案手法は, 深層ネットワーク分類器に入力する前に, 合成データを実データと組み合わせる重み付け手法を提案する。
多目的メタヒューリスティック集団に基づく最適化アルゴリズムを用いて分類器のハイパーパラメータを最適化する。
提案モデルでは、新型コロナウイルスの胸部X線画像データセットを大規模かつ不均衡にすることで、既存の方法と比較して優れたクロスバリデーション指標を示す。
提案モデルでは,4クラスと2クラスの不均衡な分類問題に対して,95.5%と98.5%の精度が得られた。
実験結果から,パンデミック時の不均衡データを用いた医用画像の分類において,提案モデルの有効性が示された。
関連論文リスト
- Generating Synthetic Human Blastocyst Images for In-Vitro Fertilization Blastocyst Grading [0.08994003055762607]
多くのクリニックでのin vitro受精(IVF)の成功は、5日目のブラストシストの正確な形態学的評価に依存している。
高忠実な新しい5日目ブラストシスト画像を生成するために訓練された潜伏拡散モデルであるDiffusion Based Imaging Model for Artificial Blastocysts frameworkを提案する。
以上の結果から、DIAモデルでは、胚学者が実際の画像と確実に区別できないようなリアルな画像が生成されることが示唆された。
論文 参考訳（メタデータ） (2025-11-22T22:27:01Z) - Improving Diagnostic Performance on Small and Imbalanced Datasets Using Class-Based Input Image Composition [0.2676349883103403]
小さく不均衡なデータセットと入力画像の品質の低下は、ディープラーニングモデルによる高い誤予測率につながる可能性がある。
本稿では,同じクラスの複数の画像が統合された視覚合成系に融合することで,学習用インプットを再構成する手法であるクラスベースイメージコンポジションを提案する。
論文 参考訳（メタデータ） (2025-11-05T22:34:06Z) - SkinDualGen: Prompt-Driven Diffusion for Simultaneous Image-Mask Generation in Skin Lesions [0.0]
本稿では, トレーニング済み安定拡散2.0モデルを用いて, 高品質な合成皮膚病変画像を生成する手法を提案する。
実データと合成データを組み合わせたハイブリッドデータセットは、分類とセグメンテーションモデルの性能を著しく向上させる。
論文 参考訳（メタデータ） (2025-07-26T15:00:37Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文 参考訳（メタデータ） (2024-12-30T01:59:34Z) - Iterative Online Image Synthesis via Diffusion Model for Imbalanced
Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。
このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。
不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-03-13T10:51:18Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。