論文の概要: Weakly Supervised Thoracic Disease Localization via Disease Masks

• arxiv url: http://arxiv.org/abs/2101.09915v1
• Date: Mon, 25 Jan 2021 06:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-14 19:18:39.939987
• Title: Weakly Supervised Thoracic Disease Localization via Disease Masks
• Title（参考訳）: 疾患マスクによる胸部疾患局在の弱監視
• Authors: Hyun-Woo Kim, Hong-Gyu Jung, Seong-Whan Lee
• Abstract要約: 画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。 本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。 提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
• 参考スコア（独自算出の注目度）: 29.065791290544983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To enable a deep learning-based system to be used in the medical domain as a computer-aided diagnosis system, it is essential to not only classify diseases but also present the locations of the diseases. However, collecting instance-level annotations for various thoracic diseases is expensive. Therefore, weakly supervised localization methods have been proposed that use only image-level annotation. While the previous methods presented the disease location as the most discriminative part for classification, this causes a deep network to localize wrong areas for indistinguishable X-ray images. To solve this issue, we propose a spatial attention method using disease masks that describe the areas where diseases mainly occur. We then apply the spatial attention to find the precise disease area by highlighting the highest probability of disease occurrence. Meanwhile, the various sizes, rotations and noise in chest X-ray images make generating the disease masks challenging. To reduce the variation among images, we employ an alignment module to transform an input X-ray image into a generalized image. Through extensive experiments on the NIH-Chest X-ray dataset with eight kinds of diseases, we show that the proposed method results in superior localization performances compared to state-of-the-art methods.
• Abstract（参考訳）: コンピュータ支援診断システムとして医療分野での深層学習システムの利用を可能にするためには、疾患の分類だけでなく、疾患の位置も提示することが不可欠である。 しかし,様々な胸部疾患に対するインスタンスレベルのアノテーションの収集は高価である。 そのため,画像レベルのアノテーションのみを用いる弱教師付き局所化手法が提案されている。 従来の方法では, 病原体の位置を分類の最も差別的な部分として示していたが, 深部ネットワークは, 識別不能なX線画像に対して, 間違った領域を局所化する。 そこで本研究では,主に疾患が発症する領域を記述する疾患マスクを用いた空間的注意法を提案する。 次に, 疾患発生の確率を最大化することにより, 正確な疾患領域の特定に空間的注意をあてる。 一方、胸部X線画像のさまざまなサイズ、回転、およびノイズは、疾患マスクの生成を困難にします。 画像間のばらつきを低減するために,入力されたx線画像を一般化画像に変換するアライメントモジュールを用いる。 8種類の疾患を持つNIH-Chest X-rayデータセットの広範な実験を通して,提案手法は最先端の手法と比較して,より優れたローカライゼーション性能を示すことを示す。

関連論文リスト

• Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
  本研究は胸部X線多彩な疾患診断モデルを提案する。 Dense Convolutional Neural Network (DenseNet)を用いて、診断システムは高い分類予測を得ることができた。 このモデルでは、心肥大のAUCスコアが0.896で、NoduleのAUCスコアが0.655であった。
  論文  参考訳（メタデータ） (2022-02-08T00:43:57Z)
• In-painting Radiography Images for Unsupervised Anomaly Detection [76.69223409518202]
  画像から異常を抽出する空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは、解剖学的構造を繰り返しパターンに分類することができ、推測では、画像内の異常(見えない/修正されたパターン)を識別することができる。 胸部解剖学における空間相関と一貫した形状を合成する新しいデータセット(DigitAnatomy)を作成した。
  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)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Weighing Features of Lung and Heart Regions for Thoracic Disease Classification [15.128119121297507]
  本研究では,肺・心臓領域の識別情報を探索するための新しいディープラーニングフレームワークを提案する。 注意図における非肺・心臓領域の特徴をゼロにすることにより,肺・心臓領域における疾患特異的手がかりを効果的に活用することができる。
  論文  参考訳（メタデータ） (2021-05-26T09:37:39Z)
• 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)
• 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)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  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。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)

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。