抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
医用画像分類の性能は,交差エントロピー(CE)損失で典型的に訓練された深い畳み込みニューラルネットワーク(CNN)によって強化された。しかし,ラベルが本質的に固有な順序特性を示すとき,例えば良性から悪性腫瘍への発展,CE損失は,より良い一般化を可能にするためにそのような順序情報を考慮できない。順序情報によるモデル一般化を改善するために,著者らは,メタ学習フレームワークにおける畳み込みニューラルネットワークと微分森林の組合せを通して順序関係を学習する,順序ラベルによる医用画像分類のための新しいメタ順序回帰森林(MORF)法を提案した。提案したMORFのメリットは,次の2つのコンポーネントから来る:ツリーワイズ重み付けネット(TWW-Net)とグループ化特徴選択(GFS)モジュール。第1に,TWW-Netは,対応するツリーの分類損失からマッピングされる特定の重みを有する森林における各木を割当てる。したがって,すべての樹木は,異なる重みを持ち,それは,樹木ごとの予測分散を緩和するのに役立った。第2に,GFSモジュールは以前に使用された固定のものより動的森林を可能にし,ランダム特徴摂動を可能にした。訓練の間,著者らは,Hessian行列を計算することを通して,メタ学習フレームワークにおけるCNNバックボーンとTWW-Netのパラメータを交互に最適化する。順序ラベル,すなわち,LIDC-IDRIと乳房超音波データセットによる2つの医用画像分類データセットに関する実験結果は,既存の最先端の方法に関して著者らのMORF方法の優れた性能を示した。【JST・京大機械翻訳】