要約
ディープラーニングは、医用画像処理タスク全体で最先端のパフォーマンスを達成しました。
ただし、モデルのキャリブレーションは考慮されないことがよくあります。
キャリブレーションされていないモデルは、いつ失敗するかわからないため、リスクの高いアプリケーションでは潜在的に危険です。
したがって、この論文では、深層学習モデルを調整するための新しいドメイン認識損失関数を提案します。
提案された損失関数は、特定のターゲット ドメイン内のクラス間の類似性に基づいて、クラスごとのペナルティを適用します。
したがって、このアプローチはキャリブレーションを改善すると同時に、モデルが正しくない場合でもリスクの少ないエラーを発生させることを保証します。
このソフトウェアのコードは、https://github.com/lab-smile/DOMINO で入手できます。
要約(オリジナル)
Deep learning has achieved the state-of-the-art performance across medical imaging tasks; however, model calibration is often not considered. Uncalibrated models are potentially dangerous in high-risk applications since the user does not know when they will fail. Therefore, this paper proposes a novel domain-aware loss function to calibrate deep learning models. The proposed loss function applies a class-wise penalty based on the similarity between classes within a given target domain. Thus, the approach improves the calibration while also ensuring that the model makes less risky errors even when incorrect. The code for this software is available at https://github.com/lab-smile/DOMINO.
arxiv情報
著者 | Skylar E. Stolte,Kyle Volle,Aprinda Indahlastari,Alejandro Albizu,Adam J. Woods,Kevin Brink,Matthew Hale,Ruogu Fang |
発行日 | 2023-02-10 09:47:46+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google