論文の概要: A Hybrid VDV Model for Automatic Diagnosis of Pneumothorax using Class-Imbalanced Chest X-rays Dataset

• arxiv url: http://arxiv.org/abs/2012.11911v1
• Date: Tue, 22 Dec 2020 10:20:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 23:11:27.517491
• Title: A Hybrid VDV Model for Automatic Diagnosis of Pneumothorax using Class-Imbalanced Chest X-rays Dataset
• Title（参考訳）: 胸部X線データを用いた胸部気胸自動診断のためのハイブリッドVDVモデル
• Authors: Tahira Iqbal, Arslan Shaukat, Usman Akram, Zartasha Mustansar and Yung-Cheol Byun
• Abstract要約: 現在、利用可能な医療画像データセットのほとんどはクラスアンバランスの問題があります。 まず、クラス不均衡問題に取り組むための既存のアプローチを比較し、そのデータレベル・センスを見つける(つまり、)。 データセットのサブセットのアンサンブル) 他のアプローチよりも優れています。 提案手法はSIIM ACR Pneumothorax データセットと NIH Chest X-ray データセット(RS-NIH)のランダムサンプルを用いて検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pneumothorax, a life threatening disease, needs to be diagnosed immediately and efficiently. The prognosis in this case is not only time consuming but also prone to human errors. So an automatic way of accurate diagnosis using chest X-rays is the utmost requirement. To-date, most of the available medical images datasets have class-imbalance issue. The main theme of this study is to solve this problem along with proposing an automated way of detecting pneumothorax. We first compare the existing approaches to tackle the class-imbalance issue and find that data-level-ensemble (i.e. ensemble of subsets of dataset) outperforms other approaches. Thus, we propose a novel framework named as VDV model, which is a complex model-level-ensemble of data-level-ensembles and uses three convolutional neural networks (CNN) including VGG16, VGG-19 and DenseNet-121 as fixed feature extractors. In each data-level-ensemble features extracted from one of the pre-defined CNN are fed to support vector machine (SVM) classifier, and output from each data-level-ensemble is calculated using voting method. Once outputs from the three data-level-ensembles with three different CNN architectures are obtained, then, again, voting method is used to calculate the final prediction. Our proposed framework is tested on SIIM ACR Pneumothorax dataset and Random Sample of NIH Chest X-ray dataset (RS-NIH). For the first dataset, 85.17% Recall with 86.0% Area under the Receiver Operating Characteristic curve (AUC) is attained. For the second dataset, 90.9% Recall with 95.0% AUC is achieved with random split of data while 85.45% recall with 77.06% AUC is obtained with patient-wise split of data. For RS-NIH, the obtained results are higher as compared to previous results from literature However, for first dataset, direct comparison cannot be made, since this dataset has not been used earlier for Pneumothorax classification.
• Abstract（参考訳）: 生命を脅かす疾患である気胸は、迅速かつ効率的に診断する必要がある。 この場合の予後は時間を消費するだけでなく、人間の誤りも生じやすい。 そのため、胸部X線による自動診断が最優先事項である。 現在利用可能な医療画像データセットのほとんどは、クラスバランスの問題を抱えている。 本研究の主なテーマは気胸の自動検出法の提案とともにこの問題を解決することである。 まず、クラス不均衡の問題に対処するための既存のアプローチを比較し、データレベルのアンサンブルを見つけます。 データセットのサブセットのアンサンブル)は他のアプローチよりも優れています。 そこで本研究では,VGG16,VGG-19,DenseNet-121といった3つの畳み込みニューラルネットワークを固定特徴抽出器として用いた,複雑なデータレベルのアンサンブルであるVDVモデルを提案する。 予め定義されたCNNの1つから抽出された各データレベルアンサンブル特徴をベクトルマシン(SVM)分類器に供給し、投票方法を用いて各データレベルアンサンブルから出力を算出する。 3つの異なるCNNアーキテクチャを持つ3つのデータレベルアンサンブルから出力を得ると、再度投票法を用いて最終的な予測を計算する。 提案手法はSIIM ACR Pneumothorax データセットと NIH Chest X-ray データセットのランダムサンプルを用いて検証した。 第1のデータセットでは、受信者動作特性曲線(auc)の下85.17%の領域をリコールする。 第2のデータセットでは、95.0%のAUCで90.9%のリコールがランダムなデータ分割で達成され、85.45%のリコールと77.06%のAUCで患者のデータ分割によって得られる。 RS-NIHの場合,得られた結果は文献による結果と比較して高いが,第1のデータセットでは,このデータセットはPneumothorax分類に使用されていないため,直接比較はできない。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• 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)
• Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
  ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。 本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。 提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2021-05-14T19:40:16Z)
• Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images [6.127080932156285]
  COVID-19のゴールドスタンダードはRT-PCRであり、テスト施設は限られており、常に最適に配布されるわけではありません。 データセット選択の一般的な選択は、データの均一性に悩まされ、誤った結果をもたらすことを示す。 我々は、一般的な事前学習深層学習モデルを修正するために、ツイン拡張と呼ばれる最先端技術を導入する。
  論文  参考訳（メタデータ） (2021-02-16T06:50:17Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Detection of Coronavirus (COVID-19) Associated Pneumonia based on Generative Adversarial Networks and a Fine-Tuned Deep Transfer Learning Model using Chest X-ray Dataset [4.664495510551646]
  本稿では, 限られたデータセットに対して, 微調整深層移動学習を施したGANを用いた肺炎胸部X線検出法を提案する。 この研究で使用されるデータセットは、正常と肺炎の2つのカテゴリを持つ5863のX線画像で構成されている。
  論文  参考訳（メタデータ） (2020-04-02T08:14:37Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。