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

• A Novel Attention Mechanism Using Anatomical Prior Probability Maps for Thoracic Disease Classification from X-Ray Images [2.580765958706854]
  胸部疾患は, 他と比較して, 特定の解剖学的領域で発生しやすいことが知られている。 まず, 胸部X線画像において, 特定の領域における疾患発生確率を示す疾患依存性空間確率を推定する。 次に、推定された解剖学的事前情報と、自動的に抽出される胸部領域とを組み合わせ、注目に基づく新しい分類モデルを開発する。
  論文  参考訳（メタデータ） (2022-10-06T15:38:02Z)
• 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)
• 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)
• 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)
• 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)
• Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
  CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。 本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。 提案法はマンモグラフィー画像から乳癌検出に適応する。
  論文  参考訳（メタデータ） (2020-08-24T09:00:30Z)
• 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)
• Thoracic Disease Identification and Localization using Distance Learning and Region Verification [15.851040584898463]
  本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。 我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
  論文  参考訳（メタデータ） (2020-06-07T16:56:50Z)

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。