深層畳込みニューラルネットワークによるアンサンブル学習最適化医用画像分類の解析【JST・京大機械翻訳】

Mueller Dominik; Soto-Rey Inaki; Kramer Frank

プレプリント

J-GLOBAL ID：202202211369141614 整理番号：22P0280600

深層畳込みニューラルネットワークによるアンサンブル学習最適化医用画像分類の解析【JST・京大機械翻訳】

An Analysis on Ensemble Learning optimized Medical Image Classification with Deep Convolutional Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月27日プレプリントサーバーでの情報更新日： 2022年04月13日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

医用画像処理 , 人工知能

, , , , ,

前のページに戻る