論文の概要: Weakly Supervised Lesion Localization With Probabilistic-CAM Pooling

• arxiv url: http://arxiv.org/abs/2005.14480v1
• Date: Fri, 29 May 2020 09:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:30:03.329667
• Title: Weakly Supervised Lesion Localization With Probabilistic-CAM Pooling
• Title（参考訳）: Probabilistic-CAM Pooling による低位病変の局所化
• Authors: Wenwu Ye, Jin Yao, Hui Xue, Yi Li
• Abstract要約: 本稿では,画像レベルの監督のみによる病変局所化のための新しいグローバルプールであるPCAMプール(ProChbabilistic Class Activation Map)を提案する。 ChestX-ray14データセットの実験では、PCAMプーリングでトレーニングされたResNet-34モデルが、分類タスクとローカライゼーションタスクの両方で最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 8.660101855936825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Localizing thoracic diseases on chest X-ray plays a critical role in clinical practices such as diagnosis and treatment planning. However, current deep learning based approaches often require strong supervision, e.g. annotated bounding boxes, for training such systems, which is infeasible to harvest in large-scale. We present Probabilistic Class Activation Map (PCAM) pooling, a novel global pooling operation for lesion localization with only image-level supervision. PCAM pooling explicitly leverages the excellent localization ability of CAM during training in a probabilistic fashion. Experiments on the ChestX-ray14 dataset show a ResNet-34 model trained with PCAM pooling outperforms state-of-the-art baselines on both the classification task and the localization task. Visual examination on the probability maps generated by PCAM pooling shows clear and sharp boundaries around lesion regions compared to the localization heatmaps generated by CAM. PCAM pooling is open sourced at https://github.com/jfhealthcare/Chexpert.
• Abstract（参考訳）: 胸部x線上の胸部疾患の局在は診断や治療計画などの臨床治療において重要な役割を担っている。 しかし、現在のディープラーニングベースのアプローチでは、このようなシステムをトレーニングするために、注釈付き境界ボックスのような強力な監督を必要とすることが多い。 本稿では,画像レベルのみを監督する新しいグローバルプール操作であるprobabilistic class activation map (pcam) poolingを提案する。 PCAMプーリングは、確率論的手法でトレーニング中のCAMの優れたローカライズ能力を活用する。 ChestX-ray14データセットの実験では、PCAMプーリングでトレーニングされたResNet-34モデルが、分類タスクとローカライゼーションタスクの両方で最先端のベースラインを上回っている。 PCAMプーリングによって生じる確率マップの視覚的検討は、CAMによって生成された局所化ヒートマップと比較して、病変領域の周囲の明瞭で鋭い境界を示す。 PCAMプーリングはhttps://github.com/jfhealthcare/Chexpert.comで公開されている。

関連論文リスト

• Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
  胸部X線異常検出は重要な課題である。 近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。 凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T12:11:41Z)
• DeepLOC: Deep Learning-based Bone Pathology Localization and Classification in Wrist X-ray Images [1.45543311565555]
  本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。 提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
  論文  参考訳（メタデータ） (2023-08-24T12:06:10Z)
• 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)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• GAN-based Medical Image Small Region Forgery Detection via a Two-Stage Cascade Framework [12.24879640482427]
  CT-GANと呼ばれる新たな攻撃が出現し、肺がんの病変をCTスキャンに注入または除去することができる。 改ざん領域が元の画像の1%未満を占めることもあるため、最先端の手法でさえ、改ざんの痕跡を検出することは困難である。 本稿では,CT-GANのようなGANベースの医療画像小領域の偽造を検出するためのカスケードフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-30T15:21:09Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• PaDiM: a Patch Distribution Modeling Framework for Anomaly Detection and Localization [64.39761523935613]
  本稿では,画像中の異常を同時検出・ローカライズするPatch Distribution Modeling, PaDiMを提案する。 PaDiMは、パッチの埋め込みに事前訓練された畳み込みニューラルネットワーク(CNN)を使用している。 また、CNNの異なるセマンティックレベル間の相関を利用して、異常のローカライズも改善している。
  論文  参考訳（メタデータ） (2020-11-17T17:29:18Z)
• High resolution weakly supervised localization architectures for medical images [3.7117844677482146]
  我々は,NIH の Chest X-Ray 14 データセット上で平均点定位精度 0.62 を達成した,高精度な教師付きローカライゼーションのモデルを提案する。 実験の結果,グローバル平均プール (GAP) とグループ正規化 (Group Normalization) がCAMの局所化精度を低下させる主要な原因であることが示唆された。
  論文  参考訳（メタデータ） (2020-10-22T06:42:00Z)
• Localization of Critical Findings in Chest X-Ray without Local Annotations Using Multi-Instance Learning [0.0]
  ディープラーニングモデルは説明責任の欠如に苦しむことが多い。 ディープラーニングモデルは、ピクセルレベルラベルやバウンディングボックス座標のような、局所的なアノテートされたトレーニングデータを必要とする。 本研究では,マルチインスタンス学習に基づく解釈可能なDLアルゴリズムを用いて,これらの欠点に対処する。
  論文  参考訳（メタデータ） (2020-01-23T21:29:14Z)

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。