論文の概要: End-to-End Deep Diagnosis of X-ray Images
- arxiv url: http://arxiv.org/abs/2003.08605v1
- Date: Thu, 19 Mar 2020 07:20:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 04:53:25.416538
- Title: End-to-End Deep Diagnosis of X-ray Images
- Title（参考訳）: X線画像の終端診断
- Authors: Kudaibergen Urinbayev, Yerassyl Orazbek, Yernur Nurambek, Almas
Mirzakhmetov, and Huseyin Atakan Varol
- Abstract要約: X線画像診断のためのエンドツーエンドのディープラーニングフレームワークを提案する。
最初のステップとして,提案した画像がX線か否かを判定する。
X線の種類を分類した後、専用の異常分類ネットワークを運用する。
- 参考スコア（独自算出の注目度）: 1.7779154193694813
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we present an end-to-end deep learning framework for X-ray
image diagnosis. As the first step, our system determines whether a submitted
image is an X-ray or not. After it classifies the type of the X-ray, it runs
the dedicated abnormality classification network. In this work, we only focus
on the chest X-rays for abnormality classification. However, the system can be
extended to other X-ray types easily. Our deep learning classifiers are based
on DenseNet-121 architecture. The test set accuracy obtained for 'X-ray or
Not', 'X-ray Type Classification', and 'Chest Abnormality Classification' tasks
are 0.987, 0.976, and 0.947, respectively, resulting into an end-to-end
accuracy of 0.91. For achieving better results than the state-of-the-art in the
'Chest Abnormality Classification', we utilize the new RAdam optimizer. We also
use Gradient-weighted Class Activation Mapping for visual explanation of the
results. Our results show the feasibility of a generalized online projectional
radiography diagnosis system.
- Abstract（参考訳）: 本研究では,X線画像診断のためのエンドツーエンドのディープラーニングフレームワークを提案する。
最初のステップとして,提案した画像がX線か否かを判定する。
x線の種類を分類した後、専用の異常分類ネットワークを実行する。
本研究は,異常分類のための胸部X線のみに焦点を当てる。
しかし、システムは他のX線タイプにも容易に拡張できる。
ディープラーニング分類器はDenseNet-121アーキテクチャに基づいている。
「x線か否か」,「x線型分類」,「胸部異常分類」のそれぞれタスクの精度は0.987,0.976,0.947であり、エンドツーエンドの精度は0.991である。
最良異常分類」における最先端技術よりも優れた結果を得るためには,新しいRAdamオプティマイザを利用する。
結果の視覚的な説明には勾配強調クラスアクティベーションマッピングも使用しています。
以上より,オンライン投影x線診断システムの実現可能性を示す。
関連論文リスト
- Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches [1.6505331001136514]
人工知能技術を用いたX線画像のセグメンテーションのためのフレームワークについて論じる。
提案手法は16のバッチサイズと50のエポックを持つよく知られたパラメータに関して,より優れた性能を発揮する。
SegNetとResidual Unetの検証精度、精度、リコールの値は、それぞれ0.9815、0.9699、0.9574、0.9901、0.9864、0.9750である。
論文 参考訳（メタデータ） (2024-05-18T13:43:43Z) - Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。
実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
論文 参考訳（メタデータ） (2023-05-20T03:17:44Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳（メタデータ） (2022-11-14T03:51:12Z) - 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) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。
ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文 参考訳（メタデータ） (2022-05-25T12:01:03Z) - DICOM Imaging Router: An Open Deep Learning Framework for Classification
of Body Parts from DICOM X-ray Scans [0.618778092044887]
未知のDICOMX線画像を5つの解剖学的グループに分類するために,深部CNNをデプロイするDICOMイメージングルータを提案する。
11,263画像のトレーニングセットを用いて最先端の深部CNNのセットを訓練し,身体部位の分類において優れた性能を示した。
論文 参考訳（メタデータ） (2021-08-14T08:31:43Z) - 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) - Using Radiomics as Prior Knowledge for Thorax Disease Classification and
Localization in Chest X-rays [14.679677447702653]
放射能特性を利用して異常分類性能を向上させるためのエンドツーエンドフレームワークであるChexRadiNetを開発した。
我々は、NIH ChestX-ray、CheXpert、MIMIC-CXRの3つの公開データセットを用いてChexRadiNetフレームワークを評価する。
論文 参考訳（メタデータ） (2020-11-25T04:16:38Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。