論文の概要: The Detection of Thoracic Abnormalities ChestX-Det10 Challenge Results

• arxiv url: http://arxiv.org/abs/2010.10298v2
• Date: Thu, 22 Oct 2020 03:42:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 23:00:20.819252
• Title: The Detection of Thoracic Abnormalities ChestX-Det10 Challenge Results
• Title（参考訳）: ChestX-Det10における胸部異常の検出
• Authors: Jie Lian, Jingyu Liu, Yizhou Yu, Mengyuan Ding, Yaoci Lu, Yi Lu, Jie Cai, Deshou Lin, Miao Zhang, Zhe Wang, Kai He, Yijie Yu
• Abstract要約: 胸部異常の発見はDeepwise AI Labによって行われている。 本稿では,第2ラウンドに到達した6チームの結果を紹介する。 この課題は、Deepwise AI Labが提案したChestX-Det10日付セットを採用する。
• 参考スコア（独自算出の注目度）: 47.43162940428029
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The detection of thoracic abnormalities challenge is organized by the Deepwise AI Lab. The challenge is divided into two rounds. In this paper, we present the results of 6 teams which reach the second round. The challenge adopts the ChestX-Det10 dateset proposed by the Deepwise AI Lab. ChestX-Det10 is the first chest X-Ray dataset with instance-level annotations, including 10 categories of disease/abnormality of 3,543 images. The annotations are located at https://github.com/Deepwise-AILab/ChestX-Det10-Dataset. In the challenge, we randomly split all data into 3001 images for training and 542 images for testing.
• Abstract（参考訳）: 胸部異常の発見はDeepwise AI Labによって行われている。 挑戦は2つのラウンドに分けられる。 本稿では,第2ラウンドに到達した6チームの結果について述べる。 この課題は、Deepwise AI Labが提案したChestX-Det10日付セットを採用する。 ChestX-Det10は、インスタンスレベルのアノテーションを備えた最初の胸部X線データセットである。 アノテーションはhttps://github.com/Deepwise-AILab/ChestX-Det10-Datasetにある。 この課題では、すべてのデータをトレーニング用の3001イメージとテスト用の542イメージにランダムに分割する。

関連論文リスト

• High-confidence pseudo-labels for domain adaptation in COVID-19 detection [8.28720658988688]
  本報告では,第4回COV19Dコンペティションへの応募について概説する。 競技は2つの課題からなる。 1つ目は、COV19-CT-DBデータベースから1000以上のCTスキャンから新型コロナウイルスの存在を検出するために分類器を訓練することである。
  論文  参考訳（メタデータ） (2024-03-20T11:12:57Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• 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)
• Stereo Correspondence and Reconstruction of Endoscopic Data Challenge [11.553103729903238]
  中国深センのMICCAI 2019において, 内視鏡的データのステレオ対応と再構築を行った。 作業は、ブタのケーダバーで捉えた7つのトレーニングデータセットと2つの構造化された光データを用いて、密集深度推定を行うことであった。
  論文  参考訳（メタデータ） (2021-01-04T17:58:48Z)
• The 1st Tiny Object Detection Challenge:Methods and Results [70.00081071453003]
  1st Tiny Object Detection (TOD) Challengeは、広い視野を持つ画像における微小物体検出の新しい高精度な手法の開発を奨励することを目的としている。 TinyPersonデータセットはTOD Challengeに使用されており、公開されている。
  論文  参考訳（メタデータ） (2020-09-16T07:01:38Z)
• ChestX-Det10: Chest X-ray Dataset on Detection of Thoracic Abnormalities [45.50413058433665]
  胸部X線画像の自動診断には胸部疾患や異常の症例レベルの検出が不可欠である。 私たちはChestX-Det10と呼ばれる新しいベンチマークを提供し、これには3500ドルの画像の病気/異常の10カテゴリのボックスレベルのアノテーションが含まれています。
  論文  参考訳（メタデータ） (2020-06-17T10:15:50Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• CheXpedition: Investigating Generalization Challenges for Translation of Chest X-Ray Algorithms to the Clinical Setting [4.781964929315763]
  我々は、CheXpertチャレンジリーダーボードの上位10のモデルのパフォーマンスについて検討する。 その結果,トップ10の胸部X線モデルでは,2つのパブリックTBデータセット上でTBを検出するタスクにおいて平均0.851のAUCが得られることがわかった。 第2に、X線写真におけるモデルの平均性能(AUC = 0.916)は、元の胸部X線画像と類似していることが判明した。 第三に、外部データセットでテストされたモデルが、放射線学者の平均的な性能と互換性があるか、超えるかのどちらかであることがわかった。
  論文  参考訳（メタデータ） (2020-02-26T09:44:21Z)

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。