論文の概要: HMIC: Hierarchical Medical Image Classification, A Deep Learning
Approach
- arxiv url: http://arxiv.org/abs/2006.07187v2
- Date: Tue, 23 Jun 2020 22:59:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 01:56:05.110649
- Title: HMIC: Hierarchical Medical Image Classification, A Deep Learning
Approach
- Title（参考訳）: HMIC: 階層的医用画像分類, ディープラーニングアプローチ
- Authors: Kamran Kowsari, Rasoul Sali, Lubaina Ehsan, William Adorno, Asad Ali,
Sean Moore, Beatrice Amadi, Paul Kelly, Sana Syed, Donald Brown
- Abstract要約: 本稿では,医療画像分類の課題と異なり,課題をマルチクラス分類とみなすアプローチを概説する。
階層的医用画像分類(HMIC)を用いた階層的分類を行った。
- 参考スコア（独自算出の注目度）: 0.3250512744763586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image classification is central to the big data revolution in medicine.
Improved information processing methods for diagnosis and classification of
digital medical images have shown to be successful via deep learning
approaches. As this field is explored, there are limitations to the performance
of traditional supervised classifiers. This paper outlines an approach that is
different from the current medical image classification tasks that view the
issue as multi-class classification. We performed a hierarchical classification
using our Hierarchical Medical Image classification (HMIC) approach. HMIC uses
stacks of deep learning models to give particular comprehension at each level
of the clinical picture hierarchy. For testing our performance, we use biopsy
of the small bowel images that contain three categories in the parent level
(Celiac Disease, Environmental Enteropathy, and histologically normal
controls). For the child level, Celiac Disease Severity is classified into 4
classes (I, IIIa, IIIb, and IIIC).
- Abstract（参考訳）: 画像分類は医療におけるビッグデータ革命の中心である。
デジタル医用画像の診断・分類のための情報処理手法の改善が,ディープラーニングアプローチによって成功した。
この分野を探求するため、従来の教師付き分類器の性能には制限がある。
本稿では,この課題をマルチクラス分類として捉えた現在の医用画像分類課題とは異なるアプローチについて概説する。
階層的医用画像分類(HMIC)を用いた階層的分類を行った。
HMICは、臨床画像階層のレベルごとに特定の理解を与えるために、ディープラーニングモデルのスタックを使用する。
成績の検査には,親レベルの3つのカテゴリ(線虫病,環境性腸疾患,組織学的に正常なコントロール)を含む小腸画像の生検を行う。
小児レベルでは、Celiac Disease Severityは4つのクラス(I, IIIa, IIIb, IIIC)に分類される。
関連論文リスト
- Diagnostic Text-guided Representation Learning in Hierarchical Classification for Pathological Whole Slide Image [9.195096835877914]
階層的病理画像分類の概念を導入し、PathTreeと呼ばれる表現学習を提案する。
PathTreeは、病気の多重分類を二分木構造とみなしている。
提案したPathTreeは,最先端の手法と比較して一貫して競合する。
論文 参考訳（メタデータ） (2024-11-16T05:35:39Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - Deeply Supervised Layer Selective Attention Network: Towards
Label-Efficient Learning for Medical Image Classification [7.225750110226053]
医用画像分類のための層選択注意ネットワーク(LSANet)を提案する。
特徴レベルの監視のために,新しい視覚的注意モジュールであるレイヤ選択注意(LSA, Layer Selective Attention)を提案する。
予測レベルの監視には,階層的な情報相互作用を促進するための知識シナジー戦略を採用する。
論文 参考訳（メタデータ） (2022-09-28T05:36:19Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Medical Knowledge-Guided Deep Learning for Imbalanced Medical Image
Classification [3.9745217005532183]
モデルの性能を高めるために,医療知識に基づく一級分類手法を提案する。
不均衡画像分類のための深層学習に基づく一クラス分類パイプラインを設計する。
6つの最先端手法と比較して,優れたモデル性能を示す。
論文 参考訳（メタデータ） (2021-11-20T16:14:19Z) - Deep AUC Maximization for Medical Image Classification: Challenges and
Opportunities [60.079782224958414]
我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
論文 参考訳（メタデータ） (2021-11-01T15:31:32Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Hierarchical Deep Convolutional Neural Networks for Multi-category
Diagnosis of Gastrointestinal Disorders on Histopathological Images [0.0]
本稿では,GI領域の異なる部位の生検画像の階層的分類と,その内における受容疾患について述べる。
提案手法は,373枚のスライド画像から独立した画像パッチを用いて評価した。
論文 参考訳（メタデータ） (2020-05-08T06:05:09Z) - 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。