論文の概要: Thoracic Disease Identification and Localization using Distance Learning and Region Verification

• arxiv url: http://arxiv.org/abs/2006.04203v2
• Date: Tue, 11 Aug 2020 21:47:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 08:23:15.542388
• Title: Thoracic Disease Identification and Localization using Distance Learning and Region Verification
• Title（参考訳）: 遠隔学習と領域検証による胸部疾患の同定と位置同定
• Authors: Cheng Zhang, Francine Chen, Yan-Ying Chen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.851040584898463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The identification and localization of diseases in medical images using deep learning models have recently attracted significant interest. Existing methods only consider training the networks with each image independently and most leverage an activation map for disease localization. In this paper, we propose an alternative approach that learns discriminative features among triplets of images and cyclically trains on region features to verify whether attentive regions contain information indicative of a disease. Concretely, we adapt a distance learning framework for multi-label disease classification to differentiate subtle disease features. Additionally, we feed back the features of the predicted class-specific regions to a separate classifier during training to better verify the localized diseases. Our model can achieve state-of-the-art classification performance on the challenging ChestX-ray14 dataset, and our ablation studies indicate that both distance learning and region verification contribute to overall classification performance. Moreover, the distance learning and region verification modules can capture essential information for better localization than baseline models without these modules.
• Abstract（参考訳）: 近年,深層学習モデルを用いた医用画像中の疾患の同定と局在化が注目されている。 既存の手法では、各画像でネットワークを個別にトレーニングすることのみを考慮し、最も多くが疾患のローカライズにアクティベーションマップを利用する。 本稿では,画像三重項と巡回列車の領域特徴の識別的特徴を学習し,注意領域に疾患を示す情報が含まれているかどうかを検証する方法を提案する。 具体的には,マルチラベル疾患分類のための遠隔学習フレームワークを用いて,微妙な疾患の特徴を識別する。 さらに,学習中に予測されたクラス固有領域の特徴を別個の分類器にフィードバックし,局所性疾患をよりよく検証する。 本モデルは,胸部x線14データセット上で最先端の分類性能を実現することができ,また,遠隔学習と領域検証の両方が全体的な分類性能に寄与することを示す。 さらに、距離学習および領域検証モジュールは、これらのモジュールなしでは、ベースラインモデルよりも適切なローカライゼーションのための必須情報を取得することができる。

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) を考案した。 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(NNC)のみを用いて、解釈可能な疾患の局在を達成できる 本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
  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)
• 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)
• Unsupervised Local Discrimination for Medical Images [35.14445357879895]
  コントラスト表現学習は、医用画像処理における高価な注釈付きデータの需要を軽減する効果的な方法である。 最近の研究は主に、グローバルな特徴を学習するインスタンスワイドな差別に基づいているが、局所的な詳細は無視されている。 医療モデルを効果的に初期化するために,局所的識別特徴を学習するための普遍的局所識別フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-21T04:53:19Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
  CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。 本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。 提案法はマンモグラフィー画像から乳癌検出に適応する。
  論文  参考訳（メタデータ） (2020-08-24T09:00:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning [2.4178424543973267]
  診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。 病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。 本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
  論文  参考訳（メタデータ） (2020-02-16T10:29:16Z)

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。

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。