文献

J-GLOBAL ID：202002236509715784   整理番号：20A0496188

不均衡で限定されたデータセットからの学習と医用画像への応用【JST・京大機械翻訳】

Learning from an Imbalanced and Limited Dataset and an Application to Medical Imaging

著者 (3件)： Qin Xiaoli (University of Saskatchewan,Department of Electrical and Computer Engineering,Saskatoon,Canada) ,  Bui Francis M. (University of Saskatchewan,Department of Electrical and Computer Engineering,Saskatoon,Canada) ,  Nguyen Ha H. (University of Saskatchewan,Department of Electrical and Computer Engineering,Saskatoon,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： PACRIM  ページ： 1-6  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 胸部X線(CXRs)は,肺疾患を診断する目的で,医用画像で日常的に取得されている。しかし,多くの患者に対して,取得されたCXRsの正確でタイムリーな放射線学的解釈は,限られた医療従事者と資源のため,必ずしも実行可能ではない。機械学習に基づくコンピュータ支援診断(CAD)システムは,病気診断の効率を強化するための有効な解決策である。しかし,効率的にCADシステムを訓練するためのCXRsの十分に大規模でバランスのとれたデータセットを得ることは,実際に挑戦的である。本論文では,2つの主要な質問に取り組むために,不平衡で制限されたCXRsから肺炎を検出するための包括的な比較研究を提示する。(1)学習モデルの性能を改善するための有効な方法をサンプリングする。(2)異なるサンプリング技術による学習モデル間の定量的差異がある。データサンプリングに関して,平衡データ分布を提供するために不均衡データセットを修正する技術の2つの一般的カテゴリを調べた。(i)大部分のクラスをアンダーサンプリング;および(ii)少数クラスのオーバーサンプリング/増強。学習モデルに関して,サポートベクトルマシン(SVM)と深い畳込みニューラルネットワーク(CNN)に焦点を合わせた。公開可能なCXRデータセットを用いて,SVMとCNN学習モデルの両方が,データサンプリング戦略の適切な選択により,改善された性能を示すことを実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 肺疾患 ,  計算機診断 ,  放射線医学 ,  医療従事者 ,  肺炎 ,  非平衡状態 ,  サポートベクトルマシン ,  *医用画像 ,  学習モデル ,  機械学習
準シソーラス用語： 畳込みニューラルネットワーク ,  オーバサンプリング ,  アンダーサンプリング ,  不均衡データセット ,  胸部X線撮影 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 均衡 ,  データセット ,  学習 ,  医用画像 ,  応用