論文の概要: On Impact of Loss Function on the Performance of Neural Networks in Melanoma Diagnosis

• arxiv url: http://arxiv.org/abs/2610.06139v1
• Date: Mon, 05 Oct 2026 11:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:25:44.317267
• Title: On Impact of Loss Function on the Performance of Neural Networks in Melanoma Diagnosis
• Title（参考訳）: メラノーマ診断における損失関数がニューラルネットワークの性能に及ぼす影響について
• Abstract要約: 深層ニューラルネットワークの性能に及ぼす損失関数の影響について検討した。 我々はこれらのネットワークを、焦点損失、ロジット調整ソフトマックスクロスエントロピー(CE)損失、重み付けソフトマックスCE損失を用いて訓練した。 以上の結果から,焦点損失はAUCと不確実性校正の両面での良好な組み合わせをもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Melanoma is the deadliest type of skin cancer, whose early diagnosis is crucial for patients' survival. Image classification using deep learning models has shown promising results for melanoma diagnosis. However, the performance of these models on the melanoma datasets such as SIIM-ISIC melanoma classification dataset is a challenge due to the class imbalance. One of the methods to deal with this challenge is using loss function modifications. In this work, we have investigated the effect of different loss functions on the performance of deep neural networks. We trained these networks using focal loss, logit-adjusted softmax cross-entropy (CE) loss, and weighted softmax CE loss, and we report different metrics for evaluating performance and uncertainty calibration. Our results suggest that focal loss delivers a good combination of performance in terms of AUC and uncertainty calibration in terms of expected calibration error (ECE) simultaneously.
• Abstract（参考訳）: メラノーマは最も致命的なタイプの皮膚癌であり、早期診断は患者の生存に不可欠である。 深層学習モデルを用いた画像分類はメラノーマ診断に有望な結果を示した。 しかし、SIIM-ISIC メラノーマ分類データセットのようなメラノーマデータセットにおけるこれらのモデルの性能は、クラス不均衡のため課題である。 この課題に対処する方法の1つは、損失関数の修正を使用することである。 本研究では,ディープニューラルネットワークの性能に及ぼす損失関数の影響について検討した。 我々は、これらのネットワークを、焦点損失、ロジト調整ソフトマックスクロスエントロピー(CE)損失、重み付けソフトマックスCE損失を用いて訓練し、性能と不確実性の校正を評価するための異なる指標を報告した。 以上の結果から,焦点損失はAUCと不確実な校正を同時に行うことが示唆された。

関連論文リスト

• Impact of Data Augmentation on Confidence Calibration in Melanoma Classification [0.0]
  予測の不確かさの正確な定量化やモデル校正の改善は、医用画像分類において重要な役割を果たす。 データセットのサイズを合成的に増加させる手法としてのデータ拡張は、不均衡なデータセットでトレーニングされたモデルの性能を向上させることが証明されている。 我々は,SIIM-ISIC 2020メラノーマ分類データセットを用いて,データ拡張の有無とデータ拡張の有無の2つの条件下でニューラルネットワークをトレーニングし,両者のシナリオにおけるAUCと予測校正誤差(ECE)の違いを比較した。
  論文  参考訳（メタデータ） (2026-10-05T11:18:42Z)
• The Impact of Lesion Focus on the Performance of AI-Based Melanoma Classification [0.0]
  我々は病変の注意と診断性能の関係を解析した。 病変領域に焦点をあてたモデルでは診断性能が向上した。 この研究は、より正確で信頼性の高いメラノーマ分類モデルを開発する基盤を提供する。
  論文  参考訳（メタデータ） (2026-01-01T14:17:32Z)
• Robust Melanoma Thickness Prediction via Deep Transfer Learning enhanced by XAI Techniques [39.97900702763419]
  本研究は,メラノーマの深さを測定するために皮膚内視鏡像の解析に焦点をあてる。 顆粒層の上部から腫瘍浸潤の最も深い地点まで測定されたブレスロー深さは、黒色腫のステージングと治療決定の指針となる重要なパラメータである。 ISICやプライベートコレクションを含むさまざまなデータセットが使用され、合計で1162枚の画像が含まれている。 その結果, 従来の手法に比べて, モデルが大幅に改善された。
  論文  参考訳（メタデータ） (2024-06-19T11:07:55Z)
• On the calibration of neural networks for histological slide-level classification [47.99822253865054]
  我々は、パッチレベルの特徴表現と、それらの分類性能に関するスライドレベルの予測を組み合わせた3つのニューラルネットワークアーキテクチャを比較した。 我々は、トランスフォーマーが分類性能と校正の点で良い結果をもたらすことを観察する。
  論文  参考訳（メタデータ） (2023-12-15T11:46:29Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Efficient Out-of-Distribution Detection of Melanoma with Wavelet-based Normalizing Flows [22.335623464185105]
  メラノーマは皮膚がんの重篤な形態であり、後期の死亡率が高い。 データセットは非常に不均衡であり、最先端の教師付きAIモデルのトレーニングを複雑にします。 本稿では, 生成モデルを用いて良性データ分布を学習し, 密度推定による悪性画像の検出を提案する。
  論文  参考訳（メタデータ） (2022-08-09T09:57:56Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential Dermoscopic Images [40.743870665742975]
  悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。 そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-19T04:08:22Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。