Fugu-MT 論文翻訳(概要): Quantifying the Value of Lateral Views in Deep Learning for Chest X-rays

論文の概要: Quantifying the Value of Lateral Views in Deep Learning for Chest X-rays

arxiv url: http://arxiv.org/abs/2002.02582v1
Date: Fri, 7 Feb 2020 01:48:13 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 03:23:32.564084
Title: Quantifying the Value of Lateral Views in Deep Learning for Chest X-rays
Title（参考訳）: 胸部X線深部学習における側方視の意義の定量化
Authors: Mohammad Hashir, Hadrien Bertrand and Joseph Paul Cohen
Abstract要約: PadChestは,200近いラベルと複数のビューを備えた,大規模な胸部X線データセットである。我々はPadChestを用いて、X線画像に関連付けられた放射線ラベルを予測するために、PAと横方向のビューをマージする複数のアプローチを探索する。
参考スコア（独自算出の注目度）: 4.478789600295492
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most deep learning models in chest X-ray prediction utilize the posteroanterior (PA) view due to the lack of other views available. PadChest is a large-scale chest X-ray dataset that has almost 200 labels and multiple views available. In this work, we use PadChest to explore multiple approaches to merging the PA and lateral views for predicting the radiological labels associated with the X-ray image. We find that different methods of merging the model utilize the lateral view differently. We also find that including the lateral view increases performance for 32 labels in the dataset, while being neutral for the others. The increase in overall performance is comparable to the one obtained by using only the PA view with twice the amount of patients in the training set.
Abstract（参考訳）: 胸部x線予測におけるほとんどのディープラーニングモデルは、他のビューがないため、後天的(pa)ビューを利用する。 PadChestは、200近いラベルと複数のビューを持つ大規模な胸部X線データセットである。本研究では, PadChestを用いて, PAと横方向のビューを融合させてX線画像に関連付けられた放射線ラベルを予測する。モデルをマージする異なる方法が横方向のビューを異なる方法で利用することがわかった。また、横方向のビューを含めると、データセット内の32のラベルのパフォーマンスが向上し、他では中立であることが分かる。総合的なパフォーマンスの向上は、トレーニングセットの患者数の2倍のpaビューのみを使用して得られたものと同等である。

関連論文リスト

Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文参考訳（メタデータ） (2024-03-07T00:12:08Z)
Visualizing chest X-ray dataset biases using GANs [8.61315908717562]
近年の研究では、様々な胸部X線データセットの画像には、人種や性別といった保護された人口特性と強く相関する視覚的特徴が含まれていることが示されている。これらの要因のいくつかは、臨床予測のために下流アルゴリズムによって利用される可能性があるため、この発見は公正性の問題を提起する。本研究では,2つの層群に属するX線に最も異なる特徴を可視化するために,GAN(Generative Adversarial Network)を用いたフレームワークを提案する。
論文参考訳（メタデータ） (2023-04-29T01:39:08Z)
StudyFormer : Attention-Based and Dynamic Multi View Classifier for X-ray images [0.0]
本稿では,X線画像分類の性能向上のために,複数の視点からの情報を組み合わせる新しい手法を提案する。我々のアプローチは、各ビューから特徴マップを抽出するために畳み込みニューラルネットワークを使用し、次にビジョントランスフォーマーを用いて実装されたアテンションメカニズムを用いている。結果として得られたモデルは41のラベルでマルチラベルの分類を実行でき、シングルビューモデルと従来のマルチビューの分類アーキテクチャの両方を上回っている。
論文参考訳（メタデータ） (2023-02-23T08:03:38Z)
Auto-outlier Fusion Technique for Chest X-ray classification with Multi-head Attention Mechanism [4.416665886445889]
胸部X線は、様々な肺疾患の診断と検出に最も広く用いられる放射線検査の1つである。国立衛生研究所(NIH)は、肺疾患を分析し予測するための深層学習コミュニティを確立するために、広範なデータベースであるChestX-ray8とChestXray14を提供している。
論文参考訳（メタデータ） (2022-11-15T09:35:49Z)
Automated MRI Field of View Prescription from Region of Interest Prediction by Intra-stack Attention Neural Network [10.247651979368062]
MRI技術者による視野のマニュアル処方(FOV)は可変であり、スキャンプロセスを延長する。本稿では,放射線科医の指導のもと,FOV処方薬の自動化のためのディープラーニングフレームワークを提案する。提案モデルでは,平均IoUは0.867で,平均ROI位置誤差は80のケースで512ピクセル中9.06である。
論文参考訳（メタデータ） (2022-11-09T06:40:18Z)
Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文参考訳（メタデータ） (2022-08-29T04:34:15Z)
CheXRelNet: An Anatomy-Aware Model for Tracking Longitudinal Relationships between Chest X-Rays [2.9212099078191764]
我々は2つの胸部X線間の縦断的病理変化関係を追跡できる神経モデルであるCheXRelNetを提案する。 CheXRelNetは、ローカルおよびグローバルな視覚機能を導入し、画像内および画像内解剖情報を使用し、解剖学的領域属性間の依存関係を学習する。
論文参考訳（メタデータ） (2022-08-08T02:22:09Z)
Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文参考訳（メタデータ） (2021-04-11T09:16:29Z)
Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文参考訳（メタデータ） (2020-10-09T10:15:26Z)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。