論文の概要: The 2ST-UNet for Pneumothorax Segmentation in Chest X-Rays using
ResNet34 as a Backbone for U-Net
- arxiv url: http://arxiv.org/abs/2009.02805v1
- Date: Sun, 6 Sep 2020 19:39:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 08:40:59.955145
- Title: The 2ST-UNet for Pneumothorax Segmentation in Chest X-Rays using
ResNet34 as a Backbone for U-Net
- Title（参考訳）: resnet34をバックボーンとして用いた胸部x線における気胸セグメンテーション第2報
- Authors: Ayat Abedalla, Malak Abdullah, Mahmoud Al-Ayyoub, Elhadj Benkhelifa
- Abstract要約: 本研究では2段階トレーニングシステム (2ST-UNet) を提案する。
まず、トレーニングされたモデルの重みをロードする前に、低い解像度でネットワークをトレーニングし、より高い解像度でネットワークを再トレーニングします。
実験の結果,2段階トレーニングがネットワーク収束の高速化につながることがわかった。
- 参考スコア（独自算出の注目度）: 4.639643690208542
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pneumothorax, also called a collapsed lung, refers to the presence of the air
in the pleural space between the lung and chest wall. It can be small (no need
for treatment), or large and causes death if it is not identified and treated
on time. It is easily seen and identified by experts using a chest X-ray.
Although this method is mostly error-free, it is time-consuming and needs
expert radiologists. Recently, Computer Vision has been providing great
assistance in detecting and segmenting pneumothorax. In this paper, we propose
a 2-Stage Training system (2ST-UNet) to segment images with pneumothorax. This
system is built based on U-Net with Residual Networks (ResNet-34) backbone that
is pre-trained on the ImageNet dataset. We start with training the network at a
lower resolution before we load the trained model weights to retrain the
network with a higher resolution. Moreover, we utilize different techniques
including Stochastic Weight Averaging (SWA), data augmentation, and Test-Time
Augmentation (TTA). We use the chest X-ray dataset that is provided by the 2019
SIIM-ACR Pneumothorax Segmentation Challenge, which contains 12,047 training
images and 3,205 testing images. Our experiments show that 2-Stage Training
leads to better and faster network convergence. Our method achieves 0.8356 mean
Dice Similarity Coefficient (DSC) placing it among the top 9% of models with a
rank of 124 out of 1,475.
- Abstract（参考訳）: 気胸(しつどう、英: pneumothorax)とは、肺と胸壁の間の胸腔に空気が存在することを指す。
小さく(治療を必要とせず)、あるいは大きくなり、時間通りに特定・治療されないと死亡することがある。
胸部x線を用いて専門家によって容易に見分けられる。
この方法はほとんどエラーのないものですが、時間がかかり、専門家の放射線科医が必要です。
近年,コンピュータビジョンは肺気胸の検出・分節に大いに役立っている。
本稿では,気胸像を分割する2段階訓練システム (2st-unet) を提案する。
このシステムは、ImageNetデータセットで事前トレーニングされたResidual Networks (ResNet-34)バックボーンを備えたU-Netに基づいて構築されている。
まず、トレーニングされたモデルの重みをロードする前に、低い解像度でネットワークをトレーニングし、より高い解像度でネットワークを再トレーニングします。
また,SWA (Stochastic Weight Averaging) やデータ拡張 (Data Augmentation) ,テスト時間拡張 (Test-Time Augmentation) など,様々な手法を利用する。
2019 siim-acr pneumothorax segmentation challengeで提供されている胸部x線データセットは、12,047枚のトレーニング画像と3,205枚のテスト画像を含んでいる。
実験の結果,2段階トレーニングがネットワーク収束の高速化につながることがわかった。
提案手法は,1,475点中124点のモデルのうち,上位9%にDice similarity Coefficient(DSC)を配置する平均0。
関連論文リスト
- Pneumonia Detection on chest X-ray images Using Ensemble of Deep
Convolutional Neural Networks [7.232767871756102]
本稿では, 胸部X線画像の診断過程を簡略化するために, EL(Ensemble Learning) と呼ばれるコンピュータ支援型肺炎分類法を提案する。
提案手法は,CNNモデルをスクラッチからトレーニングする代わりに,近年,多くの医療タスクのパフォーマンス向上に採用されているCNNモデルである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)モデルに基づく。
提案したELアプローチは他の最先端手法よりも優れており、テスト段階では93.91%、F1スコアは93.88%の精度が得られる。
論文 参考訳（メタデータ） (2023-12-13T08:28:21Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs
Including Severely Unhealthy Images [5.826056983051642]
胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。
正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。
提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
論文 参考訳（メタデータ） (2020-11-19T07:21:02Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Multi-Task Driven Explainable Diagnosis of COVID-19 using Chest X-ray
Images [61.24431480245932]
COVID-19 Multi-Task Networkは、新型コロナウイルススクリーニングのためのエンドツーエンドネットワークである。
我々は,ChestXray-14,CheXpertおよび統合型COVID-19データセットから採取した9000個の前頭胸部X線写真から肺領域を手動で注釈した。
このデータベースは研究コミュニティに公開されます。
論文 参考訳（メタデータ） (2020-08-03T12:52:23Z) - Improving performance of CNN to predict likelihood of COVID-19 using
chest X-ray images with preprocessing algorithms [0.3180570080674292]
本研究は,胸部X線画像のコンピュータ支援診断手法の開発の可能性を示した。
8,474個の胸部X線画像のデータセットを使用して、CNNベースのCADスキームをトレーニングし、テストする。
検査結果は、3つのクラスを分類する際の総合的精度の94.0%、コビッドウイルスの感染者を検出する際の精度の98.6%を達成している。
論文 参考訳（メタデータ） (2020-06-11T16:45:46Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - 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) - Automated Methods for Detection and Classification Pneumonia based on
X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。
CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文 参考訳（メタデータ） (2020-03-31T16:48:27Z)
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。