LayNet- 一个多层架构来处理医疗成像数据的不平衡
Jay Jani1, Jay Doshi1, Ishita Kheria1
1Computer Engineering Department, D.J. Sanghvi College of Engineering, Mumbai, India.
Computers in biology and medicine
|June 24, 2023
概括
雷网是一个新的多层深度学习架构,通过在各层之间分配类,有效地处理不平衡的数据集. 这种方法改善了少数群体的身份识别,这对于COVID-19等医学诊断至关重要.
科学领域:
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
- 医疗信息学 医疗信息学
背景情况:
- 不平衡的数据集给传统的机器学习分类器带来了挑战,导致了少数阶级的低估.
- 医学中不准确的少数阶级预测可能会导致COVID-19等疾病的错误负面结果.
研究的目的:
- 介绍LayNet,一个多层深度学习架构,旨在减轻类失衡问题.
- 在高度不平衡的医疗数据集中提高少数群体类别的分类准确性.
主要方法:
- LayNet将类分为多个层,为较高层中的次级类创建混合类.
- 每个层都采用不同的模型来将输入分类为单元或混合类.
- 介绍了一种用于跨架构级别分配类的方法.
主要成果:
- 拟议的LayNet架构与传统的单层模型相比,表现出更高的性能.
- 对眼病智能识别,COVID-19放射和视网膜OCT数据集的评估证实了LayNet的有效性.
- 莱网在每个层实现了更平衡的阶级分布,增强了少数阶级的认可.
结论:
- 在不平衡的医疗数据集中,LayNet为深度学习分类提供了一个有前途的解决方案.
- 多层方法有效地解决了单层网络在处理类不平衡方面的局限性.
- 通过LayNet改进的少数群体类检测可以导致更准确的医学诊断和更好的患者结果.
