論文の概要: Contralaterally Enhanced Networks for Thoracic Disease Detection
- arxiv url: http://arxiv.org/abs/2010.04483v1
- Date: Fri, 9 Oct 2020 10:15:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:15:05.778655
- Title: Contralaterally Enhanced Networks for Thoracic Disease Detection
- Title（参考訳）: 胸部疾患検出のための側方拡張ネットワーク
- Authors: Gangming Zhao and Chaowei Fang and Guanbin Li and Licheng Jiao and
Yizhou Yu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 120.60868136876599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Identifying and locating diseases in chest X-rays are very challenging, due
to the low visual contrast between normal and abnormal regions, and distortions
caused by other overlapping tissues. An interesting phenomenon is that there
exist many similar structures in the left and right parts of the chest, such as
ribs, lung fields and bronchial tubes. This kind of similarities can be used to
identify diseases in chest X-rays, according to the experience of
broad-certificated radiologists. Aimed at improving the performance of existing
detection methods, we propose a deep end-to-end module to exploit the
contralateral context information for enhancing feature representations of
disease proposals. First of all, under the guidance of the spine line, the
spatial transformer network is employed to extract local contralateral patches,
which can provide valuable context information for disease proposals. Then, we
build up a specific module, based on both additive and subtractive operations,
to fuse the features of the disease proposal and the contralateral patch. Our
method can be integrated into both fully and weakly supervised disease
detection frameworks. It achieves 33.17 AP50 on a carefully annotated private
chest X-ray dataset which contains 31,000 images. Experiments on the NIH chest
X-ray dataset indicate that our method achieves state-of-the-art performance in
weakly-supervised disease localization.
- Abstract（参考訳）: 胸部x線における疾患の同定と同定は、正常領域と異常領域の視覚コントラストの低下と、他の重複組織による歪みのため、非常に困難である。
興味深い現象は、胸郭、肺野、気管支管など、胸部の左右に多くの類似した構造が存在することである。
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。
既存の検出手法の性能向上を目的として, 対側文脈情報を活用し, 疾患プロポーザルの特徴表現を増強する深層エンド・ツー・エンドモジュールを提案する。
まず、脊椎ラインの指導のもと、空間トランスフォーマネットワークを用いて局所的な対側パッチを抽出し、疾患提案に有用なコンテキスト情報を提供する。
次に,加法と減算操作の両方に基づいて,特定のモジュールを構築し,疾患プロポーザルと対側パッチの特徴を融合させる。
本手法は,完全かつ弱制御された疾患検出フレームワークに統合できる。
31,000枚の画像を含む注記付きプライベート胸部x線データセット上で33.17 ap50を達成する。
NIH胸部X線データを用いた実験により, 弱体化疾患における最先端の成績が得られた。
関連論文リスト
- Leveraging Anatomical Constraints with Uncertainty for Pneumothorax
Segmentation [8.198854439726853]
気胸 (Pneumothorax) は、胸腔内の空気の異常蓄積によって引き起こされる救急疾患である。
深達度学習(DL)は胸部X線写真における気胸病変の分画にますます利用されている。
本稿では,2次元胸部X線写真における気胸セグメンテーションのためのDLモデルトレーニングにおいて,肺+空間を制約として組み込んだ新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-11-26T07:03:17Z) - Employing similarity to highlight differences: On the impact of
anatomical assumptions in chest X-ray registration methods [2.080328156648695]
我々は,国立衛生研究所(NIH)データセット上に,解剖学的にペナル化した畳み込み型多段階解を開発した。
本手法は,ワープフィールドの折り畳み率を技術状態の1/6に制限する自然な方法であることを示す。
本手法の利点を統計的に評価し,胸部X線登録における現在使用されている指標の限界を強調した。
論文 参考訳（メタデータ） (2023-01-23T09:42:49Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - 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) - Weighing Features of Lung and Heart Regions for Thoracic Disease
Classification [15.128119121297507]
本研究では,肺・心臓領域の識別情報を探索するための新しいディープラーニングフレームワークを提案する。
注意図における非肺・心臓領域の特徴をゼロにすることにより,肺・心臓領域における疾患特異的手がかりを効果的に活用することができる。
論文 参考訳（メタデータ） (2021-05-26T09:37:39Z) - A Structure-Aware Relation Network for Thoracic Diseases Detection and
Segmentation [63.76299770460766]
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と分割が不可欠である。
Mask R-CNNを拡張した構造認識関係ネットワーク(SAR-Net)を提案する。
ChestX-Detは、インスタンスレベルのアノテーション(ボックスとマスク)を備えた胸部X線データセットです。
論文 参考訳（メタデータ） (2021-04-21T02:57:02Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Weakly Supervised Thoracic Disease Localization via Disease Masks [29.065791290544983]
画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。
本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。
提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
論文 参考訳（メタデータ） (2021-01-25T06:52:57Z) - DeScarGAN: Disease-Specific Anomaly Detection with Weak Supervision [0.98314893665023]
医用画像における異常検出のための弱教師付き詳細保存法を提案する。
本手法では,同じ疾患に罹患した患者のグループと健常なコントロールグループという2つのグループから,疾患の特徴に関する情報を抽出する。
DeScarGANという手法は、合成データセット上の他の異常検出方法よりも優れており、胸部X線画像データセットの視覚検査によって優れている。
論文 参考訳（メタデータ） (2020-07-28T10:50:38Z)
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。