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
- Searching for Effective Neural Network Architectures for Heart Murmur
Detection from Phonocardiogram [5.183688633606942]
George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。
この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
論文 参考訳(メタデータ) (2023-03-06T09:31:42Z) - 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) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳(メタデータ) (2021-08-05T16:47:33Z) - TB-Net: A Tailored, Self-Attention Deep Convolutional Neural Network
Design for Detection of Tuberculosis Cases from Chest X-ray Images [66.93350009086132]
結核は世界的な健康問題であり、感染症による死亡の主な原因です。
リソース制限シナリオで使用する人工知能ベースのTBスクリーニングソリューションに大きな関心が寄せられています。
TBケーススクリーニングに適した自己意識型ディープ畳み込みニューラルネットワークTB-Netについて紹介します。
論文 参考訳(メタデータ) (2021-04-06T14:09:05Z) - 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。