文献

J-GLOBAL ID：202102250784504250   整理番号：21A2867486

混合比サンプリング:サポートベクトルマシンを用いたマルチクラス不均衡マウス脳画像の分類【JST・京大機械翻訳】

Mix-ratio sampling: Classifying multiclass imbalanced mouse brain images using support vector machine

著者 (3件)： Bae Min Hyeok (Department of Industrial, Systems and Operations Engineering, Arizona State University, Tempe, Arizona 85287-5906, USA) ,  Wu Teresa (Department of Industrial, Systems and Operations Engineering, Arizona State University, Tempe, Arizona 85287-5906, USA) ,  Pan Rong (Department of Industrial, Systems and Operations Engineering, Arizona State University, Tempe, Arizona 85287-5906, USA)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 37  号： 7  ページ： 4955-4965  発行年： 2010年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： サポートベクトルマシン(SVM)は最適化分類精度を達成するために設計された分類器である。それは画像に関連した多数の応用に適用された。しかし,マウス脳画像のセグメンテーションにSVMを適用するとき,課題は残る。これは,各高解像度マウス脳画像が非常に大きなデータセットであり,異なるクラスに対して極めて不均衡なデータサイズを持つ多クラス分類問題であるという事実による。これらの問題に取り組むために,SVMに対する混合比サンプリングアプローチを提案し,異なる少数クラスに対する様々なオーバーサンプリング比を決定した。さらに,画像分類精度を改善するために,空間情報を分類問題に組み込んだ。5匹のマウス磁気共鳴顕微鏡(MRM)画像を収集し,21の脳構造を分類する精度を試験した。最初の比較実験は,混合比率サンプリング方法によるSVMが,単純なオーバーサンプリング方式によってSVMより効果的かつ効率的にマルチクラスのために不均衡問題を緩和することを示した。第二の比較実験では,他の分類器,人工ニューラルネットワーク(ANN)を用いて,同じ混合比サンプリングデータに基づくSVMに対して比較し,その結果,SVMはANNより良好な分類性能を示した。第3に,交差検証を行い,混合-合理的サンプリングによるSVMを高精度でマルチクラス不均衡データを分類できることを示した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  磁気共鳴 ,  セグメンテーション ,  ニューラルネットワーク ,  *混合比 ,  高分解能 ,  データマイニング ,  *サポートベクトルマシン
準シソーラス用語： オーバサンプリング ,  不均衡 ,  空間情報 ,  *脳画像 ,  多クラス分類 ,  不均衡データ ,  *クラス不均衡 , 【Automatic Indexing@JST】

著者キーワード (6件)： サンプリング手順 ,  不均衡データ集合 ,  マルチクラス分類 ,  サポートベクトルマシン ,  データマイニング ,  脳画像セグメンテーション

分類 (2件)： 医用画像処理  (JE04020T) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： 混合比 ,  サンプリング ,  サポートベクトルマシン ,  マルチ ,  クラス不均衡 ,  マウス ,  脳画像 ,  分類