論文の概要: Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2101.04269v1
• Date: Tue, 12 Jan 2021 02:52:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:37:49.303575
• Title: Pneumonia Detection on Chest X-ray using Radiomic Features and Contrastive Learning
• Title（参考訳）: 放射線特徴とコントラスト学習を用いた胸部X線上の肺炎検出
• Authors: Yan Han, Chongyan Chen, Ahmed H Tewfik, Ying Ding, Yifan Peng
• Abstract要約: 胸部X線における肺炎の検出に放射線学的特徴と造影学習を活用した新しい枠組みを提案する。 rsna肺炎検出チャレンジデータセットの実験により,いくつかの最先端モデルに優れた結果が得られた。
• 参考スコア（独自算出の注目度）: 26.031452674698787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest X-ray becomes one of the most common medical diagnoses due to its noninvasiveness. The number of chest X-ray images has skyrocketed, but reading chest X-rays still have been manually performed by radiologists, which creates huge burnouts and delays. Traditionally, radiomics, as a subfield of radiology that can extract a large number of quantitative features from medical images, demonstrates its potential to facilitate medical imaging diagnosis before the deep learning era. With the rise of deep learning, the explainability of deep neural networks on chest X-ray diagnosis remains opaque. In this study, we proposed a novel framework that leverages radiomics features and contrastive learning to detect pneumonia in chest X-ray. Experiments on the RSNA Pneumonia Detection Challenge dataset show that our model achieves superior results to several state-of-the-art models (> 10% in F1-score) and increases the model's interpretability.
• Abstract（参考訳）: 胸部X線は非侵襲性から最も一般的な診断の1つである。 胸部X線画像の数は急上昇したが、胸部X線を読むのは放射線技師が手動で行い、火傷や遅延が発生する。 医学画像から多くの定量的特徴を抽出できる放射線学のサブフィールドとして伝統的にラジオミクスは、深層学習時代以前の医療画像診断を容易にする可能性を示している。 深層学習の台頭に伴い、胸部X線診断における深部ニューラルネットワークの説明可能性はまだ不透明である。 本研究では,胸部x線中の肺炎をx線学的特徴と対比学習を用いて検出する新しい枠組みを提案する。 rsna肺炎検出チャレンジデータセットを用いた実験により,いくつかの最先端モデル(f1-scoreでは10%以上)に対して優れた結果が得られ,モデルの解釈性が向上した。

関連論文リスト

• Computer-Aided Diagnosis of Thoracic Diseases in Chest X-rays using hybrid CNN-Transformer Architecture [1.0878040851637998]
  自動コンピュータ支援診断システムは、胸部X線を解釈し、実行可能な洞察を提供することで、放射線科医を増強することができる。 本研究では,DenseNet121 Convolutional Neural Network(CNN)を付加した新しいアーキテクチャを適用した。 胸部X線による胸部疾患の診断において, 自己注意でCNNを増強する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-18T01:46:31Z)
• Identification of pneumonia on chest x-ray images through machine learning [0.0]
  このソフトウェアは、移動学習技術を用いた機械学習に基づく計算モデルとして開発された。 画像は、中国の病院で撮影された子供の胸部X線画像でオンラインで公開されているデータベースから収集された。
  論文  参考訳（メタデータ） (2023-09-21T12:10:22Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
  胸部X線画像から肺炎を予測する機械学習手法を提案する。 DenseNet121は他のモデルより優れており、精度は99.58%である。
  論文  参考訳（メタデータ） (2023-08-20T21:26:37Z)
• 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)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Self-supervised deep convolutional neural network for chest X-ray classification [0.0]
  本研究では,ラベルのない胸部X線データセット上に事前訓練された自己監視型深部ニューラルネットワークを提案する。 4つの公開データセットで得られた結果は、私たちのアプローチが大量のラベル付きトレーニングデータを必要とせずに競争結果をもたらすことを示しています。
  論文  参考訳（メタデータ） (2021-03-04T14:28:37Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  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。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• 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)
• Searching for Pneumothorax in Half a Million Chest X-Ray Images [0.0]
  気胸(Pneumothorax)は、胸部X線で経験豊富な放射線医によって検出される致命的な疾患である。 本研究では,胸部X線画像から気胸を分類するための画像検索法について検討した。 胸部X線画像50万枚において,気胸のCBIRに深く事前訓練した特徴が有効であることを示す最初の研究である。
  論文  参考訳（メタデータ） (2020-07-30T13:03:52Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。