کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6939385 1449970 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A regularized ensemble framework of deep learning for cancer detection from multi-class, imbalanced training data
ترجمه فارسی عنوان
یک چارچوب گروهی منظم از یادگیری عمیق برای تشخیص سرطان از داده های آموزش چند طبقه ای، عدم تعادل
کلمات کلیدی
گروهی یادگیری عمیق، داده های نامتعادل تشخیص سرطان،
ترجمه چکیده
در تشخیص پزشکی، به عنوان مثال تشخیص سرطان روده، تعداد زیادی نمونه از موارد عادی با تعداد بسیار کمی از موارد مثبت وجود دارد. این عدم تعادل داده ها معمولا فرایند یادگیری را به خصوص برای کلاس هایی که نمونه های نمایشی کمتر دارند، پیچیده می کند و نتایج را در تشخیص دست می یابند. در این مقاله، ما یک چارچوب گروهی منظم از یادگیری عمیق را برای مقابله با مشکلات بی نظم و چندجملهای یادگیری معرفی می کنیم. روش ما استفاده از تنظیمات را می دهد که مجموعه داده های چند کلاس را می گیرد و به طور خودکار خطای خطا را تعیین می کند. مقرراتی، طبقه بندی کننده را مجازات می کند، زمانی که نمونه هایی را که به درستی در فاز یادگیری طبقه بندی شده اشتباه طبقه بندی کرده اند. آزمایشات با استفاده از فیلم های آندوسکوپی کپسول از علائم سرطان روده و مجموعه داده های مصنوعی با نسبت ناپایداری متوسط ​​تا شدید انجام می شود. نتایج به دست آمده نشان دهنده عملکرد برتر روش ما در مقایسه با چندین الگوریتم پیشرفته تر برای مشکلات طبقه بندی چند طبقه ای است. مهمتر از همه، افزایش حساسیت کلاس های اقلیت با بهبود دقت کلی برای همه کلاس ها همراه است. با تنظیم، یک گروه متنوع طبقه بندی شده ایجاد می شود و حداکثر بهبود دقت در 24.7٪ است. کاهش هزینه های محاسباتی نیز قابل توجه است و با افزایش حجم داده های آموزشی، افزایش بهره وری توسط روش ما اهمیت بیشتری پیدا می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یک چارچوب گروهی منظم از یادگیری عمیق برای تشخیص سرطان از داده های آموزش چند طبقه ای، عدم تعادل
چکیده انگلیسی
In medical diagnosis, e.g. bowel cancer detection, a large number of examples of normal cases exists with a much smaller number of positive cases. Such data imbalance usually complicates the learning process, especially for the classes with fewer representative examples, and results in miss detection. In this article, we introduce a regularized ensemble framework of deep learning to address the imbalanced, multi-class learning problems. Our method employs regularization that accommodates multi-class data sets and automatically determines the error bound. The regularization penalizes the classifier when it misclassifies examples that were correctly classified in the previous learning phase. Experiments are conducted using capsule endoscopy videos of bowel cancer symptoms and synthetic data sets with moderate to high imbalance ratios. The results demonstrate the superior performance of our method compared to several state-of-the-art algorithms for imbalanced, multi-class classification problems. More importantly, the sensitivity gain of the minority classes is accompanied by the improvement of the overall accuracy for all classes. With regularization, a diverse group of classifiers is created and the maximum accuracy improvement is at 24.7%. The reduction in computational cost is also noticeable and as the volume of training data increase, the gain of efficiency by our method becomes more significant.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 77, May 2018, Pages 160-172
نویسندگان
, , ,