論文の概要: Deep Hiearchical Multi-Label Classification Applied to Chest X-Ray Abnormality Taxonomies

• arxiv url: http://arxiv.org/abs/2009.05609v3
• Date: Wed, 30 Dec 2020 18:47:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 20:49:03.017770
• Title: Deep Hiearchical Multi-Label Classification Applied to Chest X-Ray Abnormality Taxonomies
• Title（参考訳）: 胸部X線異常分類に応用した深層階層型マルチラベル分類
• Authors: Haomin Chen, Shun Miao, Daguang Xu, Gregory D. Hager, Adam P. Harrison
• Abstract要約: 本稿では,CXR CADのためのHMLCアプローチを提案する。 まず, 条件付き確率を直接モデル化し, 条件付き確率で補修することが, 性能向上の鍵となることを示す。 我々は、HMLCが欠落したラベルや不完全なラベルを管理する効果的な手段であることを実証した。
• 参考スコア（独自算出の注目度）: 26.841289081747036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: CXRs are a crucial and extraordinarily common diagnostic tool, leading to heavy research for CAD solutions. However, both high classification accuracy and meaningful model predictions that respect and incorporate clinical taxonomies are crucial for CAD usability. To this end, we present a deep HMLC approach for CXR CAD. Different than other hierarchical systems, we show that first training the network to model conditional probability directly and then refining it with unconditional probabilities is key in boosting performance. In addition, we also formulate a numerically stable cross-entropy loss function for unconditional probabilities that provides concrete performance improvements. Finally, we demonstrate that HMLC can be an effective means to manage missing or incomplete labels. To the best of our knowledge, we are the first to apply HMLC to medical imaging CAD. We extensively evaluate our approach on detecting abnormality labels from the CXR arm of the PLCO dataset, which comprises over $198,000$ manually annotated CXRs. When using complete labels, we report a mean AUC of 0.887, the highest yet reported for this dataset. These results are supported by ancillary experiments on the PadChest dataset, where we also report significant improvements, 1.2% and 4.1% in AUC and AP, respectively over strong "flat" classifiers. Finally, we demonstrate that our HMLC approach can much better handle incompletely labelled data. These performance improvements, combined with the inherent usefulness of taxonomic predictions, indicate that our approach represents a useful step forward for CXR CAD.
• Abstract（参考訳）: CXRは決定的かつ極めて一般的な診断ツールであり、CADソリューションの研究に繋がる。 しかし,高い分類精度と臨床的分類を尊重し,組み込む有意義なモデル予測がcadユーザビリティに不可欠である。 そこで本研究では,CXR CADのためのHMLCアプローチを提案する。 他の階層システムとは異なり、まずネットワークを訓練して条件付き確率を直接モデル化し、非条件付き確率で精製することが性能向上の鍵となる。 さらに,非条件確率に対して数値的に安定なクロスエントロピー損失関数を定式化し,具体的な性能向上を実現する。 最後に,HMLCが欠落したラベルや不完全ラベルの管理に有効であることを示す。 我々の知る限りでは、HMLCを医療画像CADに適用するのは初めてである。 我々はPLCOデータセットのCXRアームから異常ラベルを検出するためのアプローチを広範囲に評価した。 完全なラベルを使用する場合、このデータセットで報告されている最上位の 0.887 の平均 AUC を報告する。 これらの結果はPadChestデータセットの補助的な実験によって支援され、AUCとAPでそれぞれ1.2%と4.1%の大幅な改善が報告された。 最後に、HMLCアプローチが不完全なラベル付きデータをよりうまく扱えることを示す。 これらの性能改善は、分類学的予測の本質的な有用性と相まって、本手法がCXR CADにとって有用なステップであることを示唆している。

関連論文リスト

• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Unconstrained Stochastic CCA: Unifying Multiview and Self-Supervised Learning [0.13654846342364307]
  PLS, CCA, Deep CCA の高速アルゴリズム群を標準 CCA と Deep CCA のベンチマークで示す。 我々のアルゴリズムは、従来の最先端ベンチマークよりもはるかに高速な収束と高い相関関係の回復を示す。 これらの改良により、非常に大きなバイオメディカルデータセットの第一種PSS分析を行うことができる。
  論文  参考訳（メタデータ） (2023-10-02T09:03:59Z)
• An Evaluation of Machine Learning Approaches for Early Diagnosis of Autism Spectrum Disorder [0.0]
  自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。 本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
  論文  参考訳（メタデータ） (2023-09-20T21:23:37Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Learning brain MRI quality control: a multi-factorial generalization problem [0.0]
  本研究の目的は,MRIQCパイプラインの性能評価である。 分析はMRIQCの前処理ステップに焦点を合わせ、パイプラインをそれなしでテストした。 我々は、CATIデータセットのような異種集団のデータで訓練されたモデルが、目に見えないデータの最良のスコアを提供すると結論付けた。
  論文  参考訳（メタデータ） (2022-05-31T15:46:44Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• 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)
• Highly Efficient Representation and Active Learning Framework for Imbalanced Data and its Application to COVID-19 X-Ray Classification [0.7829352305480284]
  胸部X線を分類するためのデータ効率の高い分類および能動的学習フレームワークを提案する。 これは(1)畳み込みニューラルネットワークの教師なし表現学習と(2)ガウス過程法に基づいている。 利用可能なラベルのトレーニングから正確性に到達するには、ラベル付きデータの10%の$simしか必要ありません。
  論文  参考訳（メタデータ） (2021-02-25T02:48:59Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)

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。