Core Concepts
本論文では、医療画像認識の性能を向上させるために、セミ教師あり学習にBYOLを統合する手法を提案している。
Abstract
本論文では、医療画像認識の課題に取り組むために、セミ教師あり学習とBYOLの統合アプローチを提案している。
まず、BYOLを用いて大量の教師なしデータからプレトレーニングを行い、有用な特徴表現を獲得する。次に、この特徴表現を利用して、少量の教師付きデータと擬似ラベルを組み合わせたニューラルネットワークを構築し、反復的なファインチューニングを行う。
実験結果では、提案手法が3つのデータセットにおいて既存手法を上回る高い精度を達成している。これは、BYOLによる教師なしデータの活用と、セミ教師あり学習による教師付きデータの有効活用が相乗効果を発揮したためと考えられる。
本手法は、医療画像認識の性能向上に貢献し、教師付きデータの不足という課題に対処できる有効な解決策となっている。
Stats
OCT2017データセットにおいて、提案手法は250エポック、学習率0.001、2,000個の擬似ラベルを使用して最高精度0.966を達成した。
COVID-19 X-rayデータセットでは最高精度0.987、Kvasirデータセットでは最高精度0.976を達成した。
Quotes
「BYOLは、教師付きデータに依存せずに大量の教師なしデータから有用な特徴表現を獲得できる」
「セミ教師あり学習は、教師付きデータと教師なしデータを組み合わせることで、モデルの性能を向上させることができる」