論文の概要: A Self supervised learning framework for imbalanced medical imaging datasets

• arxiv url: http://arxiv.org/abs/2604.01947v1
• Date: Thu, 02 Apr 2026 12:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.768626
• Title: A Self supervised learning framework for imbalanced medical imaging datasets
• Title（参考訳）: 不均衡な医療画像データセットのための自己教師付き学習フレームワーク
• Authors: Yash Kumar Sharma, Charan Ramtej Kodi, Vineet Padmanabhan,
• Abstract要約: 1)大量のラベル付きトレーニングデータの非有効性,2)不均衡なデータを扱うこと,である。 我々はMIMV法を新しい拡張戦略で拡張し、非対称なマルチイメージ・マルチビュー(AMIMV)ペアを構築する。 医療画像におけるクラス不均衡の度合いの異なるAMIMVのロバスト性を評価するためのデータ解析を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Two problems often plague medical imaging analysis: 1) Non-availability of large quantities of labeled training data, and 2) Dealing with imbalanced data, i.e., abundant data are available for frequent classes, whereas data are highly limited for the rare class. Self supervised learning (SSL) methods have been proposed to deal with the first problem to a certain extent, but the issue of investigating the robustness of SSL to imbalanced data has rarely been addressed in the domain of medical image classification. In this work, we make the following contributions: 1) The MIMV method proposed by us in an earlier work is extended with a new augmentation strategy to construct asymmetric multi-image, multi-view (AMIMV) pairs to address both data scarcity and dataset imbalance in medical image classification. 2) We carry out a data analysis to evaluate the robustness of AMIMV under varying degrees of class imbalance in medical imaging . 3) We evaluate eight representative SSL methods in 11 medical imaging datasets (MedMNIST) under long-tailed distributions and limited supervision. Our experimental results on the MedMNIST dataset show an improvement of 4.25% on retinaMNIST, 1.88% on tissueMNIST, and 3.1% on DermaMNIST.
• Abstract（参考訳）: 2つの問題は、しばしば医療画像解析に悩まされる。 1)大量のラベル付きトレーニングデータの非利用性、及び 2)不均衡なデータ、すなわち、頻繁なクラスでは豊富なデータが利用でき、一方、データは稀なクラスでは極めて限られている。 自己教師あり学習法 (SSL) は, 医療画像分類の領域において, SSL が不均衡なデータに対して頑健であることを示す問題として, ある程度の対処が提案されているが, 医療画像分類の領域では, SSL の頑健性はめったに解決されていない。 この作品では、以下の貢献をしている。 1) 医用画像分類におけるデータ不足とデータセットの不均衡の両面に対処するために,非対称なマルチイメージ・マルチビュー(AMIMV)ペアを構築するための新たな拡張戦略により,先行研究で提案したMIMV法を拡張した。 2) 医療画像におけるクラス不均衡の度合いの異なるAMIMVのロバスト性を評価するためのデータ解析を行った。 3)11種類の医用画像データセット(MedMNIST)において,長期分布と限られた監督下で8つの代表的なSSL手法を評価した。 MedMNISTデータセットを用いた実験の結果,網膜MNISTは4.25%,組織MNISTは1.88%,DrmaMNISTは3.1%改善した。

関連論文リスト

• 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)
• SPLAL: Similarity-based pseudo-labeling with alignment loss for semi-supervised medical image classification [11.435826510575879]
  半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。 医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。 本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
  論文  参考訳（メタデータ） (2023-07-10T14:53:24Z)
• Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
  教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
  論文  参考訳（メタデータ） (2023-07-06T17:32:38Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 3D Masked Modelling Advances Lesion Classification in Axial T2w Prostate MRI [0.125828876338076]
  Masked Image Modelling (MIM)は、効率的な自己教師付き学習(SSL)事前学習パラダイムであることが示されている。 前立腺癌 (PCa) 病変分類にT2重み付き (T2w) 軸磁気共鳴画像 (MRI) を用いたMIMについて検討した。
  論文  参考訳（メタデータ） (2022-12-29T11:32:49Z)
• LMFLOSS: A Hybrid Loss For Imbalanced Medical Image Classification [2.4866930218890837]
  医用画像データセットにおけるクラス不均衡問題を軽減するために,Large Margin aware(LMF)損失という新しいフレームワークを提案する。 この枠組みは、マイノリティクラスに対してより広いマージンを課すことにより、両方の損失関数の明確な特性を利用する。 提案手法が他のベースライン法より一貫して優れていることを示す実証的証拠を提供する。
  論文  参考訳（メタデータ） (2022-12-24T14:19:44Z)
• Density-Aware Personalized Training for Risk Prediction in Imbalanced Medical Data [89.79617468457393]
  不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。 この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。 実世界の医療データセットにおけるモデルの性能向上を実証する。
  論文  参考訳（メタデータ） (2022-07-23T00:39:53Z)
• Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with Class Imbalance [65.61909544178603]
  クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。 このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。 25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2022-06-27T06:51:48Z)
• Soft-CP: A Credible and Effective Data Augmentation for Semantic Segmentation of Medical Lesions [4.001984499227037]
  医学的病変のセマンティックセグメンテーションをオフラインで行うために,Copy-Paste拡張法を組み合わせた新しいオブジェクトブレンド法を提案する。 KiTS19[2]データセットの実験では、Soft-CPは既存の医学的病変合成法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-20T09:40:04Z)
• 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。