Class Distance Weighted Cross Entropy Loss for Classification of Disease Severity

要約

順序クラスを含む疾患の重症度の評価では、各クラスが重症度の増加レベルを表しており、この順序構造を考慮した損失関数の恩恵を受けます。
クロスエントロピー (CE) などの従来のカテゴリ損失関数は、これらのシナリオでは最適に機能しないことがよくあります。
これに対処するために、クラス間の距離が遠い場合に誤分類に対してより厳しいペナルティを課す、新しい損失関数であるクラス距離加重クロスエントロピー (CDW-CE) を提案します。
さまざまなディープ アーキテクチャを使用して、潰瘍性大腸炎のラベル付き画像 (LIMUC) データセットで CDW-CE を評価しました。
そのパフォーマンスは、いくつかのカテゴリ損失関数と順序損失関数と比較されました。
潜在表現の品質を分析するために、t 分布確率的近傍埋め込み (t-SNE) 視覚化を使用し、シルエット スコアを使用してクラスタリングを定量化しました。
また、CDW-CE および CE 損失でトレーニングされたモデルによって生成されたクラス活性化マップ (CAM) も比較し、専門知識との整合性を評価するためにドメイン専門家のフィードバックを組み込んでいます。
私たちの結果は、CDW-CE が通常の画像分類タスクのパフォーマンスを一貫して向上させることを示しています。
より高いシルエット スコアを達成していることは、クラス表現の区別が優れていることを示しており、その CAM 視覚化は、分野の専門家によって確認されているように、臨床的に重要な領域に重点が置かれていることを示しています。

要約(オリジナル)

Assessing disease severity involving ordinal classes, where each class represents increasing levels of severity, benefit from loss functions that account for this ordinal structure. Traditional categorical loss functions, like Cross-Entropy (CE), often perform suboptimally in these scenarios. To address this, we propose a novel loss function, Class Distance Weighted Cross-Entropy (CDW-CE), which penalizes misclassifications more harshly when classes are farther apart. We evaluated CDW-CE on the Labeled Images for Ulcerative Colitis (LIMUC) dataset using various deep architectures. Its performance was compared against several categorical and ordinal loss functions. To analyze the quality of latent representations, we used t-distributed stochastic neighbor embedding (t-SNE) visualizations and quantified their clustering with the Silhouette Score. We also compared Class Activation Maps (CAM) generated by models trained with CDW-CE and CE loss, incorporating domain expert feedback to evaluate alignment with expert knowledge. Our results show that CDW-CE consistently improves performance in ordinal image classification tasks. It achieves higher Silhouette Scores, indicating better differentiation of class representations, and its CAM visualizations demonstrate a stronger focus on clinically significant regions, as confirmed by domain experts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google