| عنوان مقاله به انگلیسی | Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study |
| عنوان مقاله به فارسی | یادگیری چند شات برای طبقه بندی اشعه ایکس قفسه سینه Covid-19 با داده های نامتعادل: یک مطالعه بین دامنه ای در مقابل درون دامنه ای |
| نویسندگان | Alejandro Galán-Cuenca, Antonio Javier Gallego, Marcelo Saval-Calvo, Antonio Pertusa |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Medical image datasets are essential for training models used in computer-aided diagnosis, treatment planning, and medical research. However, some challenges are associated with these datasets, including variability in data distribution, data scarcity, and transfer learning issues when using models pre-trained from generic images. This work studies the effect of these challenges at the intra- and inter-domain level in few-shot learning scenarios with severe data imbalance. For this, we propose a methodology based on Siamese neural networks in which a series of techniques are integrated to mitigate the effects of data scarcity and distribution imbalance. Specifically, different initialization and data augmentation methods are analyzed, and four adaptations to Siamese networks of solutions to deal with imbalanced data are introduced, including data balancing and weighted loss, both separately and combined, and with a different balance of pairing ratios. Moreover, we also assess the inference process considering four classifiers, namely Histogram, $k$NN, SVM, and Random Forest. Evaluation is performed on three chest X-ray datasets with annotated cases of both positive and negative COVID-19 diagnoses. The accuracy of each technique proposed for the Siamese architecture is analyzed separately and their results are compared to those obtained using equivalent methods on a state-of-the-art CNN. We conclude that the introduced techniques offer promising improvements over the baseline in almost all cases, and that the selection of the technique may vary depending on the amount of data available and the level of imbalance. |
| تعداد صفحات | 32 |
| چکیده به فارسی (ترجمه ماشینی) | مجموعه داده های تصویر پزشکی برای مدل های آموزش مورد استفاده در تشخیص به کمک رایانه ، برنامه ریزی درمانی و تحقیقات پزشکی ضروری است.با این حال ، برخی از چالش ها با این مجموعه داده ها همراه است ، از جمله تغییرپذیری در توزیع داده ها ، کمبود داده ها و انتقال مسائل یادگیری هنگام استفاده از مدل های از پیش آموزش از تصاویر عمومی.این کار تأثیر این چالش ها را در سطح داخل و بین دامنه در سناریوهای یادگیری چند شات با عدم تعادل داده های شدید بررسی می کند.برای این کار ، ما یک متدولوژی را بر اساس شبکه های عصبی سیامی پیشنهاد می کنیم که در آن یک سری تکنیک ها برای کاهش اثرات کمبود داده ها و عدم تعادل توزیع ادغام شده اند.به طور خاص ، روشهای مختلف اولیه سازی و افزایش داده ها مورد تجزیه و تحلیل قرار می گیرند ، و چهار سازگاری با شبکه های سیامی برای مقابله با داده های نامتعادل ، از جمله تعادل داده ها و کاهش وزن ، هم به طور جداگانه و هم ترکیبی و با تعادل متفاوت نسبت جفت ، معرفی می شوند.علاوه بر این ، ما همچنین فرایند استنباط را با توجه به چهار طبقه بندی کننده ، یعنی هیستوگرام ، $ $ NN ، SVM و جنگل تصادفی ارزیابی می کنیم.ارزیابی در سه مجموعه داده اشعه ایکس قفسه سینه با موارد حاشیه نویسی از هر دو تشخیص مثبت و منفی COVID-19 انجام می شود.دقت هر تکنیک ارائه شده برای معماری سیامی به طور جداگانه مورد تجزیه و تحلیل قرار می گیرد و نتایج آنها با روشهای به دست آمده با استفاده از روشهای معادل در یک CNN پیشرفته مقایسه می شود.نتیجه می گیریم که تکنیک های معرفی شده تقریباً در همه موارد پیشرفت های امیدوارکننده ای را در مورد پایه ارائه می دهند و انتخاب این تکنیک بسته به میزان داده های موجود و سطح عدم تعادل ممکن است متفاوت باشد. |
| دسته بندی موضوعات | Image and Video Processing,Computer Vision and Pattern Recognition,پردازش تصویر و ویدیو ، چشم انداز رایانه و تشخیص الگوی ، |
| توضیحات | Submitted 18 January, 2024; originally announced January 2024. , Comments: Submited to Pattern Analysis and Applications |
| توضیحات به فارسی | ارائه شده در 18 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد ، نظرات: ارسال شده به تجزیه و تحلیل الگوی و برنامه ها |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|