論文の概要: Interpretation of smartphone-captured radiographs utilizing a deep
learning-based approach
- arxiv url: http://arxiv.org/abs/2009.05951v1
- Date: Sun, 13 Sep 2020 08:26:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-19 02:42:03.199167
- Title: Interpretation of smartphone-captured radiographs utilizing a deep
learning-based approach
- Title(参考訳): 深層学習に基づくスマートフォン撮影用ラジオグラフィの解釈
- Authors: Hieu X. Le, Phuong D. Nguyen, Thang H. Nguyen, Khanh N.Q. Le, Thanh T.
Nguyen
- Abstract要約: この問題に対処するために、新たにリリースされたCheXphotoデータセットでトレーニングされたディープラーニングベースニューラルネットワークのシーケンスで構成されるシステムを提案する。
私たちの知る限りでは、これはスマートフォンで撮影した電波を処理できることを示す最初の論文です。
- 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: Recently, computer-aided diagnostic systems (CADs) that could automatically
interpret medical images effectively have been the emerging subject of recent
academic attention. For radiographs, several deep learning-based systems or
models have been developed to study the multi-label diseases recognition tasks.
However, none of them have been trained to work on smartphone-captured chest
radiographs. In this study, we proposed a system that comprises a sequence of
deep learning-based neural networks trained on the newly released CheXphoto
dataset to tackle this issue. The proposed approach achieved promising results
of 0.684 in AUC and 0.699 in average F1 score. To the best of our knowledge,
this is the first published study that showed to be capable of processing
smartphone-captured radiographs.
- Abstract(参考訳): 近年,医療画像の自動解釈が可能なコンピュータ支援診断システム(CAD)が,近年注目されている。
ラジオグラフィーでは、複数の深層学習システムやモデルが開発され、マルチラベル疾患認識タスクが研究されている。
しかし、いずれもスマートフォンで撮影する胸部X線撮影の訓練を受けていない。
本研究では、新たにリリースされたchexphotoデータセットでトレーニングされたディープラーニングに基づくニューラルネットワークのシーケンスからなるシステムを提案する。
提案手法はAUCで0.684、平均F1スコアで0.699の有望な結果を得た。
私たちの知る限りでは、これはスマートフォンで撮影した電波を処理できることを示す最初の論文です。
関連論文リスト
- LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Automatic Classification of Alzheimer's Disease using brain MRI data and
deep Convolutional Neural Networks [0.0]
アルツハイマー病(英: Alzheimer's disease、AD)は、世界の公衆衛生問題の一つ。
本稿では,脳MRI画像とセグメント画像を用いたディープラーニングアーキテクチャの構築について検討する。
論文 参考訳(メタデータ) (2022-03-31T20:15:51Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。
我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。
本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
論文 参考訳(メタデータ) (2022-01-04T18:27:04Z) - 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) - Big Self-Supervised Models Advance Medical Image Classification [36.23989703428874]
医療画像分類のための前訓練戦略としての自己監督学習の有効性を検討する。
本研究では,患者1例当たりの病理の複数の画像を用いたマルチインスタンスコントラスト学習(MICLe)法を提案する。
大規模な自己教師型モデルでは分布シフトに頑健であり,少数のラベル付き医療画像を用いて効率よく学習できることを示す。
論文 参考訳(メタデータ) (2021-01-13T17:36:31Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - A Competitive Deep Neural Network Approach for the ImageCLEFmed Caption
2020 Task [2.2237337682863125]
この問題に対処するためのDeep Neural Networkベースのアプローチについて説明する。
3,534枚のX線画像を用いてF1スコア0.375を達成し,挑戦に成功している全システムのうち12位にランクインした。
論文 参考訳(メタデータ) (2020-07-11T09:30:13Z) - 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)
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。