論文の概要: Region Proposals for Saliency Map Refinement for Weakly-supervised
Disease Localisation and Classification
- arxiv url: http://arxiv.org/abs/2005.10550v2
- Date: Fri, 22 May 2020 01:15:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 22:53:31.745274
- Title: Region Proposals for Saliency Map Refinement for Weakly-supervised
Disease Localisation and Classification
- Title(参考訳): 弱監督型疾患の局所化と分類のための地域地図再構成の提案
- Authors: Renato Hermoza, Gabriel Maicas, Jacinto C. Nascimento and Gustavo
Carneiro
- Abstract要約: そこで本研究では,病因分類の弱さと局所化の限界を克服するために,地域提案と唾液度検出を併用した新しいモデルを提案する。
そこで本研究では,ChestX-ray14データセットを用いて,診断と局所化を弱体化するための新しい最先端モデルを構築した。
- 参考スコア(独自算出の注目度): 19.76675556520657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of automated systems to diagnose diseases from medical images
is challenged by the requirement to localise the diagnosed diseases to justify
or explain the classification decision. This requirement is hard to fulfil
because most of the training sets available to develop these systems only
contain global annotations, making the localisation of diseases a weakly
supervised approach. The main methods designed for weakly supervised disease
classification and localisation rely on saliency or attention maps that are not
specifically trained for localisation, or on region proposals that can not be
refined to produce accurate detections. In this paper, we introduce a new model
that combines region proposal and saliency detection to overcome both
limitations for weakly supervised disease classification and localisation.
Using the ChestX-ray14 data set, we show that our proposed model establishes
the new state-of-the-art for weakly-supervised disease diagnosis and
localisation.
- Abstract(参考訳): 医療画像から疾患を診断するための自動システムの導入は、診断された疾患を局所化し、分類の決定を正当化し、説明する必要がある。
この要件は、これらのシステムを開発するために利用可能なトレーニングセットのほとんどがグローバルアノテーションのみを含んでおり、病気の局所化が弱く管理されたアプローチになっているため、満たすのは難しい。
弱教師付き疾患の分類とローカライゼーションのために設計された主な手法は、特にローカライゼーションのために訓練されていないサリエンシやアテンションマップ、あるいは正確な検出を行うことができない地域提案に依存している。
本稿では,弱監督疾患の分類と局所化の限界を克服するために,地域提案と塩分検出を組み合わせた新しいモデルを提案する。
そこで本研究では,ChestX-ray14データセットを用いて,診断と局所化を弱体化させる手法を提案する。
関連論文リスト
- Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法(HSPI)を提案する。
HSPIは、画像レベルのラベルとニューラルネットワーク分類器のみを使用して、解釈可能な疾患の局在を達成することができる。
医用画像データセット上で病気の局所化実験を行い、複数の評価指標上で最高のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-05-23T09:07:21Z) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - Investigating Poor Performance Regions of Black Boxes: LIME-based
Exploration in Sepsis Detection [0.5872014229110214]
本稿では,局部解釈可能なモデル非依存記述(LIME)を活用し,セプシス検出におけるブラックボックス分類モデルの解釈可能な記述を提供する。
誤分類されたインスタンスを分析することで、最適以下のパフォーマンスに寄与する重要な特徴が特定される。
論文 参考訳(メタデータ) (2023-06-21T18:36:15Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - Learning Hierarchical Attention for Weakly-supervised Chest X-Ray
Abnormality Localization and Diagnosis [28.747482895051103]
深層学習は医療画像の進歩を 引き起こしていますが 臨床上の課題の多くは 完全には解決されていません
この問題に対処する潜在的な方法の1つは、これらのモデルを、単に分類するだけでなく、異常をローカライズするためにさらに訓練することである。
本研究では,これらの課題に対処するために,注意駆動型弱教師付きアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-23T04:12:51Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Weakly Supervised Thoracic Disease Localization via Disease Masks [29.065791290544983]
画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。
本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。
提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
論文 参考訳(メタデータ) (2021-01-25T06:52:57Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳(メタデータ) (2020-10-09T10:15:26Z) - Thoracic Disease Identification and Localization using Distance Learning
and Region Verification [15.851040584898463]
本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。
我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
論文 参考訳(メタデータ) (2020-06-07T16:56:50Z)
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。