論文の概要: Extracting and Learning Fine-Grained Labels from Chest Radiographs

• arxiv url: http://arxiv.org/abs/2011.09517v1
• Date: Wed, 18 Nov 2020 19:56:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 03:28:53.441212
• Title: Extracting and Learning Fine-Grained Labels from Chest Radiographs
• Title（参考訳）: 胸部x線写真から細粒度ラベルの抽出と学習
• Authors: Tanveer Syeda-Mahmood, Ph.D, K.C.L Wong, Ph.D, Joy T. Wu, M.D., M.P.H, Ashutosh Jadhav, Ph.D, Orest Boyko, M.D. Ph.D
• Abstract要約: 胸部X線画像の微細なラベルの抽出と学習に焦点を当てた。 今までで最大の発見スペクトルを示す457個の細粒度ラベルが選択された。 高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。
• 参考スコア（独自算出の注目度）: 0.157292030677369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest radiographs are the most common diagnostic exam in emergency rooms and intensive care units today. Recently, a number of researchers have begun working on large chest X-ray datasets to develop deep learning models for recognition of a handful of coarse finding classes such as opacities, masses and nodules. In this paper, we focus on extracting and learning fine-grained labels for chest X-ray images. Specifically we develop a new method of extracting fine-grained labels from radiology reports by combining vocabulary-driven concept extraction with phrasal grouping in dependency parse trees for association of modifiers with findings. A total of 457 fine-grained labels depicting the largest spectrum of findings to date were selected and sufficiently large datasets acquired to train a new deep learning model designed for fine-grained classification. We show results that indicate a highly accurate label extraction process and a reliable learning of fine-grained labels. The resulting network, to our knowledge, is the first to recognize fine-grained descriptions of findings in images covering over nine modifiers including laterality, location, severity, size and appearance.
• Abstract（参考訳）: 胸部X線写真は、救急室や集中治療室で最も一般的な診断検査である。 近年、多くの研究者が胸部x線データセットを開発し、不透明度、質量、結節などの粗い発見クラスを識別するためのディープラーニングモデルを開発した。 本稿では胸部X線画像の微細なラベル抽出と学習に焦点を当てた。 具体的には,ボキャブラリ駆動概念抽出と,依存構文解析木におけるフラサールグルーピングを組み合わせることで,x線レポートから細粒度ラベルを抽出する新しい手法を開発した。 これまでで最大の発見スペクトルを示す457個の細粒度ラベルが選択され、詳細な分類のために設計された新しいディープラーニングモデルをトレーニングするために十分な量のデータセットが得られた。 高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。 結果として得られたネットワークは、我々の知る限り、9つの修飾子を含む画像中の発見のきめ細かい記述を初めて認識したものだ。

関連論文リスト

• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Graph Enhanced Contrastive Learning for Radiology Findings Summarization [25.377658879658306]
  放射線学レポートのセクションでは、この発見から最も顕著な観察を要約している。 余分な知識と元の知見の両方を活用する統一的なフレームワークを提案する。 キーワードとその関係を適切な方法で抽出し、印象生成を容易にする。
  論文  参考訳（メタデータ） (2022-04-01T04:39:44Z)
• 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)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• A Relational-learning Perspective to Multi-label Chest X-ray Classification [1.4489463428855132]
  胸部x線画像のマルチラベル分類は判別的手法を用いて頻繁に行われる。 マルチラベル分類の新たな知識グラフ再構成を提案する。
  論文  参考訳（メタデータ） (2021-03-10T17:44:59Z)
• 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)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• Paying Per-label Attention for Multi-label Extraction from Radiology Reports [1.9601378412924186]
  脳卒中患者の頭部CT像から構造化ラベルを自動抽出する。 神経疾患に関する放射線学的所見と臨床的印象に対応する31のラベル群を提案する。 放射線学者の報告によると、我々は単一のモデルで多くのラベルをしっかりと抽出することができる。
  論文  参考訳（メタデータ） (2020-07-31T16:11:09Z)
• Chest X-ray Report Generation through Fine-Grained Label Learning [46.352966049776875]
  画像から詳細な所見を学習する領域認識自動胸部X線診断レポート生成アルゴリズムを提案する。 また、画像にそのような記述子を割り当てる自動ラベリングアルゴリズムを開発し、発見の粗い記述ときめ細かい記述の両方を認識する新しいディープラーニングネットワークを構築した。
  論文  参考訳（メタデータ） (2020-07-27T19:50:56Z)

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。