分布シフト乳がん腫瘍画像分類のためのアディアバティック拡散ニューラルネットワークのグラフを描画します
Haoquan Lu1, Zhihui Lai1, Heng Kong2
1College of Computer Science and Software Engineering, Shenzhen University, Nanshan, Shenzhen, 518060, Guangdong, China.
まとめ
乳がん画像分析は,類似度が低いことと分布のシフトにより,課題に直面しています. グラフアディアバティック拡散ニューラルネットワーク (GradiNet) は,グラフ構造を学習し,よりよい一般化のために分布シフトをシミュレーションすることによって分類を改善します.
科学分野:
- メディカルイマージング (医学イメージング)
- 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.
- グラフニューラルネットワーク
背景:
- 乳がんの画像は,クラス内の類似性と分布のシフトが低く,認識を複雑にします.
- 専門家の注釈の高いコストは,トレーニングのためのラベル付きデータの可用性を制限します.
- 半監督学習,特にグラフニューラルネットワーク (GNN) は,注釈コストを削減し,乳がんの分類を改善するための有望なアプローチを提供します.
研究 の 目的:
- グラフアディアバティック・ディフュージョン・ニューラル・ネットワーク (GradiNet) を提案し,乳がんの画像分類を強化する.
- 差別的なグラフ構造を共同で学び,分布シフト環境をシミュレートする.
- 流通内 (ID) と流通外 (OOD) のデータの両方に関するモデルの一般化能力を向上させる.
主な方法:
- 乳がんの認識のための新しいGNNアーキテクチャであるGradiNetを開発しました.
- グラフ学習オブジェクト関数を使用して差別グラフ構造をモデル化.
- 配分シフトをシミュレートするために,アディアバティック境界条件を持つフーリエ熱拡散方程式に基づくGNN特性の伝播機構を導入した.
主要な成果:
- 学習グラフ構造の有効性を理論的かつ経験的に実証した.
- 配分シフトの適応シミュレーションと一般化の強化を展示しました.
- 複数のメトリクスを越えた公的および私的な乳がんの超音波画像データセットで最先端のパフォーマンスを達成しました.
結論:
- GradiNetは,低レベルのクラス内類似性と分布シフトを含む,乳がん画像分析における課題を効果的に解決しています.
- 提案された方法は,半監督学習を通じて,広範なラベル付きデータへの依存を軽減します.
- GradiNetは,乳がん検出の分類性能と一般化を大幅に改善しています.
