論文の概要: Local Adaptation Improves Accuracy of Deep Learning Model for Automated
X-Ray Thoracic Disease Detection : A Thai Study
- arxiv url: http://arxiv.org/abs/2004.10975v3
- Date: Tue, 12 May 2020 08:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 09:19:27.348578
- Title: Local Adaptation Improves Accuracy of Deep Learning Model for Automated
X-Ray Thoracic Disease Detection : A Thai Study
- Title(参考訳): 局所適応はX線胸部疾患検出のための深層学習モデルの精度を向上させる : タイ研究
- Authors: Isarun Chamveha, Trongtum Tongdee, Pairash Saiviroonporn, and
Warasinee Chaisangmongkon
- Abstract要約: 本研究では421,859個の局所胸部X線写真を用いて,胸部疾患自動検出のためのディープラーニングアルゴリズムの開発と試験を行った。
コンボリューションニューラルネットワークは, 胸部X線上の13の異常条件を検出することで, 顕著な性能を発揮することが示唆された。
本稿では,CXR異常検出のための最先端モデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite much promising research in the area of artificial intelligence for
medical image diagnosis, there has been no large-scale validation study done in
Thailand to confirm the accuracy and utility of such algorithms when applied to
local datasets. Here we present a wide-reaching development and testing of a
deep learning algorithm for automated thoracic disease detection, utilizing
421,859 local chest radiographs. Our study shows that convolutional neural
networks can achieve remarkable performance in detecting 13 common abnormality
conditions on chest X-ray, and the incorporation of local images into the
training set is key to the model's success. This paper presents a
state-of-the-art model for CXR abnormality detection, reaching an average AUROC
of 0.91. This model, if integrated to the workflow, can result in up to 55.6%
work reduction for medical practitioners in the CXR analysis process. Our work
emphasizes the importance of investing in local research of medical diagnosis
algorithms to ensure safe and efficient usage within the intended region.
- Abstract(参考訳): 医療画像診断における人工知能の分野における有望な研究にもかかわらず、タイでは、ローカルデータセットに適用されるアルゴリズムの正確性と有用性を確認するための大規模な検証研究は行われていない。
421,859個の局所胸部x線写真を用いて,胸部疾患の自動検出のための深部学習アルゴリズムの開発とテストを行った。
本研究は,畳み込みニューラルネットワークが胸部x線上の13個の共通異常条件の検出において顕著な性能を発揮することを示し,局所画像のトレーニングセットへの取り込みが,モデルの成功の鍵となる。
本稿では,CXR異常検出のための最先端モデルを提案する。
このモデルがワークフローに統合されれば、CXR分析プロセスにおける医療従事者に対して、最大55.6%の作業削減が達成される。
本研究は,領域内での安全かつ効率的な使用を確保するために,医療診断アルゴリズムのローカルな研究に投資することの重要性を強調している。
関連論文リスト
- AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。
提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文 参考訳(メタデータ) (2024-10-20T16:08:20Z) - InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳(メタデータ) (2024-08-12T19:19:23Z) - Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
胸部X線(CXR)を低分解能で診断する上での課題について検討した。
高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。
本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
論文 参考訳(メタデータ) (2024-05-22T06:10:54Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳(メタデータ) (2022-11-01T07:41:03Z) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-06T16:30:43Z) - Fracture Detection in Wrist X-ray Images Using Deep Learning-Based
Object Detection Models [0.0]
本研究の目的は,手首X線画像の深部学習によるフラクチャー検出である。
その結果, WFD_Cモデルでは, 26種類の骨折が検出され, 平均精度が0.8639であった。
論文 参考訳(メタデータ) (2021-11-14T14:21:24Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z)
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。