論文の概要: Automated Identification of Thoracic Pathology from Chest Radiographs
with Enhanced Training Pipeline
- arxiv url: http://arxiv.org/abs/2006.06805v1
- Date: Thu, 11 Jun 2020 20:43:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 13:31:08.259218
- Title: Automated Identification of Thoracic Pathology from Chest Radiographs
with Enhanced Training Pipeline
- Title（参考訳）: 強化トレーニングパイプラインを用いた胸部x線画像からの胸部病理の自動同定
- Authors: Adora M. DSouza, Anas Z. Abidin, and Axel Wism\"uller
- Abstract要約: 現在入手可能な112のChestX-ray14、30,805人の胸部X線写真を用いています。
各画像には「NoFinding」クラスまたは14の胸部病理組織ラベルが付与された。
k-hotエンコーディングを用いてラベルをバイナリベクトルとして符号化した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest x-rays are the most common radiology studies for diagnosing lung and
heart disease. Hence, a system for automated pre-reporting of pathologic
findings on chest x-rays would greatly enhance radiologists' productivity. To
this end, we investigate a deep-learning framework with novel training schemes
for classification of different thoracic pathology labels from chest x-rays. We
use the currently largest publicly available annotated dataset ChestX-ray14 of
112,120 chest radiographs of 30,805 patients. Each image was annotated with
either a 'NoFinding' class, or one or more of 14 thoracic pathology labels.
Subjects can have multiple pathologies, resulting in a multi-class, multi-label
problem. We encoded labels as binary vectors using k-hot encoding. We study the
ResNet34 architecture, pre-trained on ImageNet, where two key modifications
were incorporated into the training framework: (1) Stochastic gradient descent
with momentum and with restarts using cosine annealing, (2) Variable image
sizes for fine-tuning to prevent overfitting. Additionally, we use a heuristic
algorithm to select a good learning rate. Learning with restarts was used to
avoid local minima. Area Under receiver operating characteristics Curve (AUC)
was used to quantitatively evaluate diagnostic quality. Our results are
comparable to, or outperform the best results of current state-of-the-art
methods with AUCs as follows: Atelectasis:0.81, Cardiomegaly:0.91,
Consolidation:0.81, Edema:0.92, Effusion:0.89, Emphysema: 0.92, Fibrosis:0.81,
Hernia:0.84, Infiltration:0.73, Mass:0.85, Nodule:0.76, Pleural
Thickening:0.81, Pneumonia:0.77, Pneumothorax:0.89 and NoFinding:0.79. Our
results suggest that, in addition to using sophisticated network architectures,
a good learning rate, scheduler and a robust optimizer can boost performance.
- Abstract（参考訳）: 胸部X線は肺疾患や心臓病の診断において最も一般的な放射線学研究である。
したがって、胸部X線による病理所見の自動報告システムにより、放射線医の生産性が大幅に向上する。
そこで本研究では,胸部X線から胸部病理組織を分類するための新しいトレーニング手法を用いた深層学習フレームワークについて検討する。
現在利用可能な最大の注釈付きデータセットであるChestX-ray14は、30,805人の胸部X線写真112,120枚を用いている。
それぞれの画像には「nofinding」クラスまたは14の胸部病理ラベルの1つ以上の注釈が付された。
対象には複数の病理があり、結果として複数のクラス、複数ラベルの問題が発生する。
k-hotエンコーディングを用いてラベルをバイナリベクトルとして符号化した。
本研究では,imagenetで事前学習したresnet34アーキテクチャについて検討し,(1)運動量とコサインアニーリングによる再始動による確率的勾配降下,(2)過フィッティングを防止するための可変画像サイズについて検討した。
さらに,優れた学習率を選択するためにヒューリスティックアルゴリズムを用いる。
リスタートによる学習は、ローカルなミニマを避けるために使用された。
診断品質を定量的に評価するために、AUC(Area Under receiver operating characteristics Curve)を用いた。
Atelectasis:0.81, Cardiomegaly:0.91, Consolidation:0.81, Edema:0.92, Effusion:0.89, Emphysema: 0.92, Fibrosis:0.81, Hernia:0.84, Infiltration:0.73, Mass:0.85, Nodule:0.76, Pleural Thickening:0.81, Pneumonia:0.77, Pneumothorax:0.89, NoFinding:079。
その結果,高度なネットワークアーキテクチャを使うことに加えて,優れた学習率,スケジューラ,ロバストオプティマイザがパフォーマンスの向上に寄与することが示唆された。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Improving Disease Classification Performance and Explainability of Deep
Learning Models in Radiology with Heatmap Generators [0.0]
3つの実験セットがU-Netアーキテクチャを用いて行われ、分類性能が向上した。
最大の改善点は「肺炎」クラスと「CHF」クラスであり、ベースラインモデルは分類に最も苦労した。
論文 参考訳（メタデータ） (2022-06-28T13:03:50Z) - A Deep Learning Based Workflow for Detection of Lung Nodules With Chest
Radiograph [0.0]
CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。
これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
論文 参考訳（メタデータ） (2021-12-19T16:19:46Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳（メタデータ） (2020-05-27T22:39:09Z) - 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) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。