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。
新しい高性能医用画像分類パイプラインは,アンサンブル学習戦略を利用している。アンサンブル学習のアイデアは,多様なモデルまたは複数の予測を組み立てることであり,従って,予測性能を高めることである。しかし,アンサンブル学習戦略が深層学習ベース医用画像分類パイプラインにおいてどの程度有益であるかは,まだ未解決の問題である。本研究では,次のアンサンブル学習技術の性能インパクトを分析するための再現可能な医用画像分類パイプラインを提案した:Augmenting,Stacking,Bagging。パイプラインは,最先端の前処理と画像増強法,ならびに9つの深い畳み込みニューラルネットワークアーキテクチャから成る。それは,様々な複雑性を有する4つの一般的な医用画像データセットに適用された。さらに,複数の予測を組み合わせるための12のプール機能を解析し,サポートベクターマシンのようなより複雑な学習ベース関数までの非加重平均化のような単純な統計的関数から測距した。結果は,Stackingが13%F1スコア増加の最大性能利得を達成することを明らかにした。増強は4%まで一貫した改善能力を示し,単一モデルベースパイプラインにも適用可能である。交差検証ベースのバギングはStackingに近い有意な性能利得を示し,F1スコアが+11%まで増加した。さらに,単純な統計的プール関数は,より複雑なプール関数よりも同等か,あるいは,しばしば優れていることを実証した。アンサンブル学習技法の統合は,ロバスト性とブースト性能を改善するための医用画像分類パイプラインのための強力な方法であると結論した。【JST・京大機械翻訳】