Fugu-MT 論文翻訳(概要): Long-Tailed Medical Image Classification

論文の概要: Long-Tailed Medical Image Classification

arxiv url: http://arxiv.org/abs/2607.23883v1
Date: Sun, 26 Jul 2026 23:04:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-28 22:34:15.260846
Title: Long-Tailed Medical Image Classification
Title（参考訳）: 長期医療画像分類
Abstract要約: 本稿では,特に稀な疾患からエラーを最小限に抑えるために,拡張などの手法でディープラーニングモデルを議論し,実装する。当社のベストモデルによる有望な結果と、医療分野での潜在的な応用で締めくくります。
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: In this paper, we examine the difficulties of using standard techniques for medical image classification due to long-tailed distributions (wherein rarer conditions have very few samples) resulting in bias towards diagnosing common diseases and away from rarer diseases. We then discuss and implement deep learning models with techniques such as augmentation to minimize error, especially from rarer diseases. We evaluate various different models with AP, F1 score, AUROC, and loss (all on the validation set). We conclude with the promising results from our best model, and potential applications in the healthcare space.
Abstract（参考訳）: 本稿では, 医療画像の分類に標準技術を用いることの難しさについて検討し, 稀な疾患の診断に偏り, 稀な疾患から遠ざかる要因として, 長期分布による画像診断の難しさについて考察する。次に、特に稀な疾患からエラーを最小限に抑えるために、拡張のようなテクニックでディープラーニングモデルについて議論し、実装する。我々は,AP,F1スコア,AUROC,損失(すべて検証セット)など,さまざまなモデルを評価する。当社のベストモデルによる有望な結果と、医療分野での潜在的な応用で締めくくります。

関連論文リスト

BenchX: Benchmarking AI Models for Cancer Detection and Localization with Demographic and Protocol Biases [59.19934491064188]
人工知能(AI)は医療画像において顕著な成功を収めた。これらのモデルは、実世界の臨床環境において矛盾なく機能することが多い。我々は,12種類の腫瘍検出AIモデルを体系的に評価する85,355個のCTスキャンのベンチマークを開発した。
論文参考訳（メタデータ） (2026-06-23T17:58:59Z)
SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images [20.315592081817595]
SD-MADは2段階の符号駆動型複数ショット検出フレームワークである。 SD-MADの性能を包括的に定量化する3つのプロトコルを提案する。
論文参考訳（メタデータ） (2025-05-22T13:24:37Z)
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)
DisEmbed: Transforming Disease Understanding through Embeddings [0.0]
DisEmbedは病気に焦点を当てた埋め込みモデルである。 DisEmbedは、疾患の説明、症状、および疾患関連Q&Aペアを含むようにキュレートされた合成データセットでトレーニングされている。
論文参考訳（メタデータ） (2024-12-16T12:04:22Z)
Benchmarking In-the-wild Multimodal Disease Recognition and A Versatile Baseline [42.49727243388804]
そこで本研究では,植物病原体認識データセットを提案する。病気のクラスが最も多いだけでなく、各疾患に関するテキストベースの記述も含んでいる。提案したデータセットは,実世界の疾患認識手法を評価するための理想的なテストベッドとみなすことができる。
論文参考訳（メタデータ） (2024-08-06T11:49:13Z)
Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。 PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-05-07T13:11:08Z)
MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。医学的ADのための多くの方法が出現したにもかかわらず、公平で包括的な評価が欠如しているため、明確な結論が得られなかった。本稿では,この問題に対処するため,比較を統一したベンチマークを構築した。
論文参考訳（メタデータ） (2024-04-06T06:18:11Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
診断医用画像検査など,現実的な画像認識の問題が数多く発生している。診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
論文参考訳（メタデータ） (2023-10-24T18:26:22Z)
Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。モデルがサブセット固有の知識の学習に集中するように強制する。提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文参考訳（メタデータ） (2021-04-22T13:39:33Z)
Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
論文参考訳（メタデータ） (2020-04-21T00:57:11Z)

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。