論文の概要: Learning Decision Ensemble using a Graph Neural Network for Comorbidity Aware Chest Radiograph Screening

• arxiv url: http://arxiv.org/abs/2004.11721v1
• Date: Fri, 24 Apr 2020 12:57:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:27:01.123470
• Title: Learning Decision Ensemble using a Graph Neural Network for Comorbidity Aware Chest Radiograph Screening
• Title（参考訳）: 胸部X線写真検診のためのグラフニューラルネットワークを用いた学習決定アンサンブル
• Authors: Arunava Chakravarty, Tandra Sarkar, Nirmalya Ghosh, Ramanathan Sethuraman, Debdoot Sheet
• Abstract要約: 機械学習に基づく自動化ソリューションは、放射線科医の定期的なスクリーニングの負担を軽減するために開発されている。 異なる疾患間の依存関係をモデル化するアンサンブル予測を得るために,グラフニューラルネットワーク(GNN)に基づくソリューションを提案する。
• 参考スコア（独自算出の注目度）: 4.9178119168798045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest radiographs are primarily employed for the screening of cardio, thoracic and pulmonary conditions. Machine learning based automated solutions are being developed to reduce the burden of routine screening on Radiologists, allowing them to focus on critical cases. While recent efforts demonstrate the use of ensemble of deep convolutional neural networks(CNN), they do not take disease comorbidity into consideration, thus lowering their screening performance. To address this issue, we propose a Graph Neural Network (GNN) based solution to obtain ensemble predictions which models the dependencies between different diseases. A comprehensive evaluation of the proposed method demonstrated its potential by improving the performance over standard ensembling technique across a wide range of ensemble constructions. The best performance was achieved using the GNN ensemble of DenseNet121 with an average AUC of 0.821 across thirteen disease comorbidities.
• Abstract（参考訳）: 胸部X線写真は主に心臓、胸部、肺疾患のスクリーニングに用いられる。 放射線科医の日常的なスクリーニングの負担を軽減するために、機械学習ベースの自動化ソリューションが開発されている。 近年の研究では、深層畳み込みニューラルネットワーク(cnn)のアンサンブルの使用が実証されているが、病原性を考慮していないため、スクリーニング性能が低下している。 この問題に対処するために、異なる疾患間の依存関係をモデル化するアンサンブル予測を得るために、グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。 提案手法の包括的評価により, 広範囲のアンサンブル構成において, 標準的なセンシング技術よりも性能が向上した。 DenseNet121のGNNアンサンブルを用いて、13の疾患にまたがる平均AUCは0.821であった。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Enhancing Eye Disease Diagnosis with Deep Learning and Synthetic Data Augmentation [0.0]
  本稿では,糖尿病網膜症の早期発見と管理を目的としたアンサンブル学習手法を提案する。 提案したモデルはAPTOSデータセット上でテストされ、以前のモデルと比較して検証精度(99%)の優位性を示している。
  論文  参考訳（メタデータ） (2024-07-25T04:09:17Z)
• Breast Cancer Image Classification Method Based on Deep Transfer Learning [40.392772795903795]
  深層学習と転写学習を組み合わせた乳癌画像分類モデルを提案する。 実験結果から, アルゴリズムは, 従来のモデルに比べて分類精度が有意に向上し, テストセットの84.0%以上の効率を達成することが示された。
  論文  参考訳（メタデータ） (2024-04-14T12:09:47Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Pneumonia Detection in Chest X-Rays using Neural Networks [0.6639684533393106]
  我々は,北米放射線学会における胸部X線画像の分類のためのCNNモデルを提案した。 提案手法は,非複雑CNNとXception, InceptionV3/V4, EfficientNetB7などの伝達学習アルゴリズムを用いた。
  論文  参考訳（メタデータ） (2022-04-07T17:39:12Z)
• COVID-19 Electrocardiograms Classification using CNN Models [1.1172382217477126]
  深層学習アルゴリズムの統合による心電図(ECG)データの利用により、COVID-19を自動的に診断するための新しいアプローチが提案されている。 CNNモデルは、VGG16、VGG19、InceptionResnetv2、InceptionV3、Resnet50、Densenet201を含む提案されたフレームワークで利用されている。 この結果,VGG16モデルと比較すると,他のモデルに比べて比較的精度が低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-15T08:06:45Z)
• 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)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images [10.01138352319106]
  5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。 新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
  論文  参考訳（メタデータ） (2020-06-03T22:55:53Z)
• A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs [4.6411273009803065]
  胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。 近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。 複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
  論文  参考訳（メタデータ） (2020-04-24T12:30:40Z)

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。