論文の概要: An automated method of identifying incorrectly labelled images based on the sequences of loss functions of deep learning networks

• arxiv url: http://arxiv.org/abs/2607.02594v1
• Date: Wed, 01 Jul 2026 08:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.344126
• Title: An automated method of identifying incorrectly labelled images based on the sequences of loss functions of deep learning networks
• Title（参考訳）: 深層学習ネットワークの損失関数列に基づく誤りラベル付き画像の自動識別法
• Abstract要約: 手動でラベル付けされた医療画像の最大10%は誤りであり、モデル性能を劣化させる可能性がある。 本稿では,損失関数のシーケンスを解析することにより,誤ったラベル付けされた医療画像を自動的に識別する手法を提案する。 識別された画像は専門家によってレビューされ、再評価され、データセットの品質とモデルパフォーマンスが向上する。
• 参考スコア（独自算出の注目度）: 17.829950558862947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning is widely applied in medical image analysis, but up to 10% of manually labelled images may be incorrect, degrading model performance. This paper proposes an automated method to identify incorrectly labelled medical images by analyzing sequences of loss functions from deep learning classification networks over multiple training epochs. Identified images can be reviewed and relabelled by experts, improving dataset quality and model performance. Two experiments validate the method on a fundus image dataset for referable diabetic retinopathy screening. In the first, 6% (648) of 10,788 gold-standard labels were intentionally flipped. The method identified 75.31% (488) of the flipped samples, with only 4.85% (492) false positives among correctly labelled samples. In the second, reviewing and correcting the 980 identified samples (9.1% of the dataset) and retraining the model improved best accuracy on an independent test set from 95.93% (with 6% label noise) to 96.50% (with 1.5% noise), approaching the ideal 96.57% (with 0% noise). The results demonstrate the method's effectiveness in improving model performance through automated label quality control.
• Abstract（参考訳）: 深層学習は医用画像解析に広く応用されているが、手動でラベル付けされた画像の最大10%は誤りで劣化するモデル性能である可能性がある。 本稿では,複数の学習エポック上での深層学習分類ネットワークからの損失関数のシーケンスを解析することにより,誤ラベル付き医療画像の自動識別手法を提案する。 識別された画像は専門家によってレビューされ、再評価され、データセットの品質とモデルパフォーマンスが向上する。 糖尿病網膜症スクリーニングのための基礎画像データセット上での2つの実験により,本手法の有効性が検証された。 最初は10,788のゴールドスタンダードレーベルの6%(648)が意図的に反転した。 この方法では、フリップされたサンプルの75.31% (488) が同定され、正しくラベル付けされたサンプルのうち偽陽性は4.85% (492) しかなかった。 第2に、特定サンプル980(データセットの9.1%)のレビューと修正を行い、モデルの再トレーニングにより、95.93%(ラベルノイズ6%)から96.50%(ノイズ1.5%)までの独立したテストセットの精度が向上し、理想的な96.57%(ノイズ0%)に近づいた。 その結果,自動ラベル品質制御によるモデル性能向上手法の有効性が示された。

関連論文リスト

• Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis [0.0]
  医療へのアクセスが制限されている低所得国や中所得国では、早期の眼病検診が重要である。 信頼性誘導型多像性糖尿病網膜症診断フレームワークが画像フィルタリングと信頼度認識予測を統合できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-03T23:48:32Z)
• X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging [67.85884025186755]
  高品質な医用画像データセットは深層学習モデルの訓練には不可欠であるが、その無許可の使用は重大な著作権と倫理的懸念を提起する。 医用画像は、自然画像用に設計された既存のデータセットの所有権検証方法に固有の課題を示す。 胸部X線著作権保護のためのサンプル特異的クリーンラベル透かし法であるX-Markを提案する。
  論文  参考訳（メタデータ） (2026-02-10T00:03:43Z)
• Fixed-Threshold Evaluation of a Hybrid CNN-ViT for AI-Generated Image Detection Across Photos and Art [0.0]
  クリーンな検証データに基づいて選択された決定しきい値を保持する固定閾値評価を導入し、すべての後処理変換に固定する。 AiDataアート/グラフィックでは91.4%の精度、AiDataアート/グラフィックでは89.7%の精度、CIFAKEでは98.3%(競争力)である。
  論文  参考訳（メタデータ） (2025-12-25T05:19:09Z)
• GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification [0.0]
  本稿では,突発的な相関を導入し,問題のあるトレーニングイメージを自動的にフラグするフレームワークを提案する。 フラグ付き画像の8.2%は、保持されたテストセットでモデルAUC-ROCを5%(85%から90%)改善する。 2人の皮膚科医によって評価された訓練データのサブセットに適用した場合、この方法は、レイター間不一致の90%以上を識別する。
  論文  参考訳（メタデータ） (2025-06-27T03:42:09Z)
• Diabetic Retinopathy Detection Based on Convolutional Neural Networks with SMOTE and CLAHE Techniques Applied to Fundus Images [0.0]
  糖尿病網膜症 (DR) は糖尿病患者の眼の合併症の一つである。 本研究の目的は,DRの診断における人工知能(AI)の精度を評価することである。
  論文  参考訳（メタデータ） (2025-04-08T05:38:53Z)
• Self-Supervised Radiograph Anatomical Region Classification -- How Clean Is Your Real-World Data? [10.5757425746568]
  本研究は,48,434個の骨格X線撮影データから,14個の解剖学的領域のクラスを割り当てる自己教師手法の有効性を示した。 我々は,1つのモデルで96.6%,97.7%の線形評価精度をアンサンブルアプローチで達成した。
  論文  参考訳（メタデータ） (2024-12-20T15:07:55Z)
• Improving the accuracy of automated labeling of specimen images datasets via a confidence-based process [9.0255922670433]
  本稿では,自動ラベリング精度を大幅に向上させる手法を提案する。 初期精度の86%を生んだナイーブモデルでは,性能が向上することが実証された。 このアプローチを様々な方法で検証した後、60,000以上のハーバリウム標本の大規模なデータセットに注釈を付けました。
  論文  参考訳（メタデータ） (2024-11-15T09:39:12Z)
• Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
  9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。 しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
  論文  参考訳（メタデータ） (2023-04-08T10:47:41Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• (Certified!!) Adversarial Robustness for Free! [116.6052628829344]
  逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。 これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
  論文  参考訳（メタデータ） (2022-06-21T17:27:27Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)

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。