論文の概要: GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for
Identifying COVID-19 on Chest X-rays
- arxiv url: http://arxiv.org/abs/2010.00378v2
- Date: Sun, 4 Jul 2021 18:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 22:26:39.484093
- Title: GraphXCOVID: Explainable Deep Graph Diffusion Pseudo-Labelling for
Identifying COVID-19 on Chest X-rays
- Title（参考訳）: graphxcovid: 胸部x線でcovid-19を同定するためのディープグラフ拡散擬似ラベリング
- Authors: Angelica I Aviles-Rivero, Philip Sellars, Carola-Bibiane Sch\"onlieb,
Nicolas Papadakis
- Abstract要約: 胸部X線からCOVID-19を分類するためのグラフベースの深層半監督フレームワークを提案する。
本フレームワークでは,グラフ拡散の最適化モデルを導入し,小さなラベル付き集合と膨大な未ラベルデータとの自然関係を補強する。
実験を通して、我々のモデルは、ラベル付き例のごく一部で、現在の先行教師付きモデルより優れていることを実証した。
- 参考スコア（独自算出の注目度）: 4.566180616886624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Can one learn to diagnose COVID-19 under extreme minimal supervision? Since
the outbreak of the novel COVID-19 there has been a rush for developing
Artificial Intelligence techniques for expert-level disease identification on
Chest X-ray data. In particular, the use of deep supervised learning has become
the go-to paradigm. However, the performance of such models is heavily
dependent on the availability of a large and representative labelled dataset.
The creation of which is a heavily expensive and time consuming task, and
especially imposes a great challenge for a novel disease. Semi-supervised
learning has shown the ability to match the incredible performance of
supervised models whilst requiring a small fraction of the labelled examples.
This makes the semi-supervised paradigm an attractive option for identifying
COVID-19. In this work, we introduce a graph based deep semi-supervised
framework for classifying COVID-19 from chest X-rays. Our framework introduces
an optimisation model for graph diffusion that reinforces the natural relation
among the tiny labelled set and the vast unlabelled data. We then connect the
diffusion prediction output as pseudo-labels that are used in an iterative
scheme in a deep net. We demonstrate, through our experiments, that our model
is able to outperform the current leading supervised model with a tiny fraction
of the labelled examples. Finally, we provide attention maps to accommodate the
radiologist's mental model, better fitting their perceptual and cognitive
abilities. These visualisation aims to assist the radiologist in judging
whether the diagnostic is correct or not, and in consequence to accelerate the
decision.
- Abstract（参考訳）: 極端に最小限の監督の下でcovid-19の診断を学ぶことができるか?
新型コロナウイルス(COVID-19)が出現して以来、チェストX線データに基づく専門家レベルの疾患識別のための人工知能技術の開発が急いでいる。
特に、深い教師付き学習の利用は、go-toパラダイムとなっている。
しかし、そのようなモデルの性能は、大規模かつ代表的なラベル付きデータセットの可用性に大きく依存している。
作成は非常に高価で時間を要する作業であり、特に新規疾患に対して大きな課題を課している。
半教師付き学習は、ラベル付きサンプルのごく一部を必要としながら、教師付きモデルの驚くべき性能にマッチする能力を示している。
これにより、半監督パラダイムはcovid-19を識別するための魅力的な選択肢となる。
本研究では,胸部X線からCOVID-19を分類するためのグラフベースの深層半監督フレームワークを提案する。
本研究では,グラフ拡散の最適化モデルを導入し,ラベル付き集合とラベルなしデータとの自然関係を補強する。
次に、拡散予測出力を、ディープネットの反復スキームで使用される擬似ラベルとして接続する。
実験を通して、我々のモデルはラベル付き例のごく一部で現在の指導的モデルよりも優れていることを示した。
最後に,放射線科医の精神モデルに適合し,知覚的・認知的能力に適合した注意マップを提供する。
これらの可視化は、診断が正しいかどうかを判断し、その結果、判定を加速することを目的としている。
関連論文リスト
- Secure Federated Learning Approaches to Diagnosing COVID-19 [0.0]
本稿では,HIVの診断を支援するHIPAA対応モデルを提案する。
フェデレートラーニング(Federated Learning)は、分散機械学習のアプローチであり、複数の分散デバイスをまたいだアルゴリズムトレーニングを可能にする。
そこで我々は, 新型コロナウイルスの陽性診断を示す胸部X線の特徴を浮き彫りにする可視化技術を用いた。
論文 参考訳（メタデータ） (2024-01-23T02:14:05Z) - How Can We Tame the Long-Tail of Chest X-ray Datasets? [0.0]
胸部X線(英: Chest X-rays、CXR)は、多数の異常を推測するために用いられる医療画像のモダリティである。
非常に一般的に観測されており、CXRデータセットで十分に表現されているものはほとんどない。
現在のモデルでは、稀ではあるが高い意味を持つラベルの独立した差別的特徴を学習することは困難である。
論文 参考訳（メタデータ） (2023-09-08T12:28:40Z) - 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) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳（メタデータ） (2021-05-20T13:13:29Z) - Severity Quantification and Lesion Localization of COVID-19 on CXR using
Vision Transformer [25.144248675578286]
世界的な新型コロナウイルス(covid-19)のパンデミックの中で、covid-19の重症度を定量化する自動化フレームワークの構築がますます重要になっている。
重症度と臨床応用可能な新型コロナウイルス関連病変の局在を定量化するための新しい視覚トランスフォーマを提案する。
我々のモデルは、弱い配列に基づくラベルから全確率マップを生成するために、弱教師付きで訓練されている。
論文 参考訳（メタデータ） (2021-03-12T03:17:19Z) - 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) - 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) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。