論文の概要: Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning

• arxiv url: http://arxiv.org/abs/2101.08992v2
• Date: Mon, 1 Feb 2021 06:51:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-21 02:19:40.508700
• Title: Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning
• Title（参考訳）: 構造的関係推論を用いたCross Chest Graphによる疾患診断
• Authors: Gangming Zhao, Baolian Qi, Jinpeng Li
• Abstract要約: X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
• 参考スコア（独自算出の注目度）: 2.7148274921314615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Locating lesions is important in the computer-aided diagnosis of X-ray images. However, box-level annotation is time-consuming and laborious. How to locate lesions accurately with few, or even without careful annotations is an urgent problem. Although several works have approached this problem with weakly-supervised methods, the performance needs to be improved. One obstacle is that general weakly-supervised methods have failed to consider the characteristics of X-ray images, such as the highly-structural attribute. We therefore propose the Cross-chest Graph (CCG), which improves the performance of automatic lesion detection by imitating doctor's training and decision-making process. CCG models the intra-image relationship between different anatomical areas by leveraging the structural information to simulate the doctor's habit of observing different areas. Meanwhile, the relationship between any pair of images is modeled by a knowledge-reasoning module to simulate the doctor's habit of comparing multiple images. We integrate intra-image and inter-image information into a unified end-to-end framework. Experimental results on the NIH Chest-14 database (112,120 frontal-view X-ray images with 14 diseases) demonstrate that the proposed method achieves state-of-the-art performance in weakly-supervised localization of lesions by absorbing professional knowledge in the medical field.
• Abstract（参考訳）: X線画像のコンピュータ診断において位置病変は重要である。 しかし、ボックスレベルのアノテーションは時間と労力を要する。 病変を正確に特定する方法は少ないが、注意すべきアノテーションがなくても、緊急の問題だ。 弱い教師付きメソッドでこの問題にアプローチする作業がいくつかあるが、パフォーマンスは改善される必要がある。 1つの障害は、一般に弱教師付き手法は、高構造特性のようなX線像の特性を考慮できなかったことである。 そこで我々は,医師のトレーニングや意思決定プロセスを模倣して自動病変検出の性能を向上させるクロスケストグラフ(CCG)を提案する。 CCGは、構造情報を利用して異なる領域を観察する医師の習慣をシミュレートすることで、異なる解剖学的領域間の画像内関係をモデル化する。 一方、画像間の関係は知識分析モジュールによってモデル化され、複数の画像を比較する医師の習慣をシミュレートする。 画像内および画像間情報を統合されたエンドツーエンドフレームワークに統合する。 The NIH Chest-14 database (112,120 frontal-view X-ray images with 14 disease) での実験結果から,本手法は医療分野の専門知識を吸収することにより,病変の局所化を弱め,最先端の性能を達成することを示した。

関連論文リスト

• VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
  医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。 本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。 結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
  論文  参考訳（メタデータ） (2024-01-02T19:51:49Z)
• Unsupervised Iterative U-Net with an Internal Guidance Layer for Vertebrae Contrast Enhancement in Chest X-Ray Images [1.521162809610347]
  我々は,深部ニューラルネットワークを反復的に訓練することにより,X線画像の品質向上のための新しい,堅牢なアプローチを提案する。 本フレームワークは胸部X線像における脊椎の微細構造を増強する内部誘導層を含む。 実験の結果,提案手法は既存のBRISQUEスコアの精度向上手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-06-06T19:36:11Z)
• Local Contrastive Learning for Medical Image Recognition [0.0]
  Local Region Contrastive Learning(LRCLR)は、画像領域の選択と相互モダリティの相互作用のためのレイヤを追加するフレキシブルな微調整フレームワークである。 胸部X線検査の結果から,LRCLRは重要な局所画像領域を同定し,放射線学的テキストに対して有意義な解釈を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:04:26Z)
• 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)
• GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray images [35.18562405272593]
  コンテキスト情報や補償情報として、クロスリージョンとクロスイメージの関係は、より一貫性のある統合された領域を得るために不可欠である。 胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。 このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得られた。
  論文  参考訳（メタデータ） (2021-07-14T01:27:07Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• Deep Metric Learning-based Image Retrieval System for Chest Radiograph and its Clinical Applications in COVID-19 [12.584626589565522]
  胸部X線写真(CXR)は、新型コロナウイルス患者のトリアージ、診断、モニタリングにおいて重要な役割を担っている。 CXRの混合信号や非特異的信号を考えると、類似した画像と関連する臨床情報の両方を提供するCXRの画像検索モデルは、より臨床的に有意義である。 本研究では,深度学習に基づく新しいCXR画像検索モデルを開発する。
  論文  参考訳（メタデータ） (2020-11-26T03:16:48Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。