Fugu-MT 論文翻訳(概要): Context Learning for Bone Shadow Exclusion in CheXNet Accuracy Improvement

論文の概要: Context Learning for Bone Shadow Exclusion in CheXNet Accuracy Improvement

arxiv url: http://arxiv.org/abs/2005.06189v1
Date: Wed, 13 May 2020 07:29:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-03 13:24:27.896013
Title: Context Learning for Bone Shadow Exclusion in CheXNet Accuracy Improvement
Title（参考訳）: CheXNet精度向上のための骨陰影除去のための文脈学習
Authors: Minh-Chuong Huynh, Trung-Hieu Nguyen, Minh-Triet Tran
Abstract要約: ChestX-ray14データセットには、14の疾患のX線画像が10万枚以上含まれており、精度の高いモデルがいくつか提案されている。胸部X線画像における肺疾患診断のためのワークフローを構築し,最先端モデルのAUROCを0.8414から0.8445に改善する。
参考スコア（独自算出の注目度）: 14.18754838863113
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Chest X-ray examination plays an important role in lung disease detection. The more accuracy of this task, the more experienced radiologists are required. After ChestX-ray14 dataset containing over 100,000 frontal-view X-ray images of 14 diseases was released, several models were proposed with high accuracy. In this paper, we develop a work flow for lung disease diagnosis in chest X-ray images, which can improve the average AUROC of the state-of-the-art model from 0.8414 to 0.8445. We apply image preprocessing steps before feeding to the 14 diseases detection model. Our project includes three models: the first one is DenseNet-121 to predict whether a processed image has a better result, a convolutional auto-encoder model for bone shadow exclusion is the second one, and the last is the original CheXNet.
Abstract（参考訳）: 胸部X線検査は肺疾患の検出に重要な役割を果たしている。この作業の精度が高ければ高いほど、経験豊富な放射線技師が必要とされる。 ChestX-ray14データセットには、14の疾患のX線画像が10万枚以上含まれており、精度の高いモデルがいくつか提案されている。本稿では,胸部X線画像における肺疾患診断のためのワークフローを開発し,最先端モデルのAUROCを0.8414から0.8445に改善する。画像前処理のステップを14の疾患検出モデルに適用する。我々のプロジェクトには3つのモデルがある: 1つは、処理された画像がより良い結果をもたらすかどうかを予測するDenseNet-121、もう1つは、骨陰影排除のための畳み込み自動エンコーダモデル、もう1つはオリジナルのCheXNetである。

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)
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)
Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文参考訳（メタデータ） (2022-08-22T13:57:04Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
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)
CheXternal: Generalization of Deep Learning Models for Chest X-ray Interpretation to Photos of Chest X-rays and External Clinical Settings [6.133159722996137]
胸部X線および外部データセットのスマートフォン写真に適用した8種類の胸部X線モデルの診断性能を測定した。胸部X線写真では、すべての8モデルが統計的に重要なタスクパフォーマンスの低下を経験しました。一部の胸部X線モデルは、臨床的に関連する分布シフトの下で、放射線学者に匹敵するが、他のモデルはそうではなかった。
論文参考訳（メタデータ） (2021-02-17T09:58:14Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
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)
COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning [6.098524160574895]
ほとんどの患者において、胸部X線は、新型コロナウイルス(COVID-19)の肺炎の結果である凝固などの異常を含む。大規模データセットの深部畳み込みニューラルネットワークを用いて,このタイプの肺炎の画像特徴を効率的に検出する研究を行った。
論文参考訳（メタデータ） (2020-06-16T21:31:02Z)
Improving performance of CNN to predict likelihood of COVID-19 using chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。 8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文参考訳（メタデータ） (2020-06-11T16:45:46Z)
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。