Fugu-MT 論文翻訳(概要): ChestX-Det10: Chest X-ray Dataset on Detection of Thoracic Abnormalities

論文の概要: ChestX-Det10: Chest X-ray Dataset on Detection of Thoracic Abnormalities

arxiv url: http://arxiv.org/abs/2006.10550v3
Date: Mon, 19 Oct 2020 06:25:25 GMT
ステータス: 処理完了
システム内更新日: 2022-11-19 21:20:10.398594
Title: ChestX-Det10: Chest X-ray Dataset on Detection of Thoracic Abnormalities
Title（参考訳）: ChestX-Det10:胸部異常検出のための胸部X線データセット
Authors: Jingyu Liu, Jie Lian, Yizhou Yu
Abstract要約: 胸部X線画像の自動診断には胸部疾患や異常の症例レベルの検出が不可欠である。私たちはChestX-Det10と呼ばれる新しいベンチマークを提供し、これには3500ドルの画像の病気/異常の10カテゴリのボックスレベルのアノテーションが含まれています。
参考スコア（独自算出の注目度）: 45.50413058433665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Instance level detection of thoracic diseases or abnormalities are crucial for automatic diagnosis in chest X-ray images. Most existing works on chest X-rays focus on disease classification and weakly supervised localization. In order to push forward the research on disease classification and localization on chest X-rays. We provide a new benchmark called ChestX-Det10, including box-level annotations of 10 categories of disease/abnormality of $\sim$ 3,500 images. The annotations are located at https://github.com/Deepwise-AILab/ChestX-Det10-Dataset.
Abstract（参考訳）: 胸部x線画像の自動診断には胸部疾患や異常のインスタンスレベル検出が不可欠である。胸部X線に関するほとんどの研究は、疾患の分類と弱教師付き局在に焦点を当てている。胸部x線における疾患の分類と局在に関する研究を進める。 chestx-det10と呼ばれる新しいベンチマークを提供し、病気/異常の10のカテゴリのボックスレベルのアノテーションを3500ドルの$sim$のイメージで提供する。アノテーションはhttps://github.com/Deepwise-AILab/ChestX-Det10-Datasetにある。

関連論文リスト

Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文参考訳（メタデータ） (2022-08-29T04:34:15Z)
Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance [58.01014026139231]
新しい大規模結核(TB)胸部X線データセット(TBX-Att)を提案する。属性情報を利用してTBの分類とローカライズを行うための属性支援弱教師付きフレームワークを構築した。提案モデルはTBX-Attデータセットで評価され,今後の研究の確かなベースラインとして機能する。
論文参考訳（メタデータ） (2022-07-01T07:50:35Z)
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)
COVID-19 Lung Lesion Segmentation Using a Sparsely Supervised Mask R-CNN on Chest X-rays Automatically Computed from Volumetric CTs [6.837968548581353]
新型コロナウイルス感染症2019(COVID-19)患者の胸部X線は、肺疾患の程度を決定するために頻繁に取得される。新型コロナウイルス患者の胸部X線検査よりCTの頻度がはるかに低いことから、胸部X線による肺病変の自動切除は臨床的に有用である可能性がある。オープンソース胸部X線と冠状X線プロジェクションの混合データセットを用いて訓練したMask R-CNNを用いた胸部X線上のCOVID-19肺病変のセグメンテーションのための自動パイプラインを提案する。
論文参考訳（メタデータ） (2021-05-17T20:27:32Z)
Self-supervised deep convolutional neural network for chest X-ray classification [0.0]
本研究では,ラベルのない胸部X線データセット上に事前訓練された自己監視型深部ニューラルネットワークを提案する。 4つの公開データセットで得られた結果は、私たちのアプローチが大量のラベル付きトレーニングデータを必要とせずに競争結果をもたらすことを示しています。
論文参考訳（メタデータ） (2021-03-04T14:28:37Z)
Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning [26.031452674698787]
胸部X線における肺炎の検出に放射線学的特徴と造影学習を活用した新しい枠組みを提案する。 rsna肺炎検出チャレンジデータセットの実験により,いくつかの最先端モデルに優れた結果が得られた。
論文参考訳（メタデータ） (2021-01-12T02:52:24Z)
Using Radiomics as Prior Knowledge for Thorax Disease Classification and Localization in Chest X-rays [14.679677447702653]
放射能特性を利用して異常分類性能を向上させるためのエンドツーエンドフレームワークであるChexRadiNetを開発した。我々は、NIH ChestX-ray、CheXpert、MIMIC-CXRの3つの公開データセットを用いてChexRadiNetフレームワークを評価する。
論文参考訳（メタデータ） (2020-11-25T04:16:38Z)
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)
Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文参考訳（メタデータ） (2020-08-04T07:41:15Z)
CheXpedition: Investigating Generalization Challenges for Translation of Chest X-Ray Algorithms to the Clinical Setting [4.781964929315763]
我々は、CheXpertチャレンジリーダーボードの上位10のモデルのパフォーマンスについて検討する。その結果,トップ10の胸部X線モデルでは,2つのパブリックTBデータセット上でTBを検出するタスクにおいて平均0.851のAUCが得られることがわかった。第2に、X線写真におけるモデルの平均性能(AUC = 0.916)は、元の胸部X線画像と類似していることが判明した。第三に、外部データセットでテストされたモデルが、放射線学者の平均的な性能と互換性があるか、超えるかのどちらかであることがわかった。
論文参考訳（メタデータ） (2020-02-26T09:44:21Z)

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。