論文の概要: ImageCHD: A 3D Computed Tomography Image Dataset for Classification of
Congenital Heart Disease
- arxiv url: http://arxiv.org/abs/2101.10799v1
- Date: Tue, 26 Jan 2021 14:15:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:59:34.604580
- Title: ImageCHD: A 3D Computed Tomography Image Dataset for Classification of
Congenital Heart Disease
- Title（参考訳）: ImageCHD:先天性心疾患の分類のための3次元CT画像データセット
- Authors: Xiaowei Xu, Tianchen Wang, Jian Zhuang, Haiyun Yuan, Meiping Huang,
Jianzheng Cen, Qianjun Jia, Yuhao Dong, Yiyu Shi
- Abstract要約: 先天性心疾患(英: Congenital heart disease、CHD)は、アメリカ合衆国の110出生毎に1度発生する、最も一般的な出生障害である。
本稿では,CHD分類のための最初の医用画像データセットであるImageCHDを提案する。
- 参考スコア（独自算出の注目度）: 12.350961160593528
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Congenital heart disease (CHD) is the most common type of birth defect, which
occurs 1 in every 110 births in the United States. CHD usually comes with
severe variations in heart structure and great artery connections that can be
classified into many types. Thus highly specialized domain knowledge and the
time-consuming human process is needed to analyze the associated medical
images. On the other hand, due to the complexity of CHD and the lack of
dataset, little has been explored on the automatic diagnosis (classification)
of CHDs. In this paper, we present ImageCHD, the first medical image dataset
for CHD classification. ImageCHD contains 110 3D Computed Tomography (CT)
images covering most types of CHD, which is of decent size Classification of
CHDs requires the identification of large structural changes without any local
tissue changes, with limited data. It is an example of a larger class of
problems that are quite difficult for current machine-learning-based vision
methods to solve. To demonstrate this, we further present a baseline framework
for the automatic classification of CHD, based on a state-of-the-art CHD
segmentation method. Experimental results show that the baseline framework can
only achieve a classification accuracy of 82.0\% under a selective prediction
scheme with 88.4\% coverage, leaving big room for further improvement. We hope
that ImageCHD can stimulate further research and lead to innovative and generic
solutions that would have an impact in multiple domains. Our dataset is
released to the public compared with existing medical imaging datasets.
- Abstract（参考訳）: 先天性心疾患(英: Congenital heart disease、CHD)は、アメリカ合衆国の110出生毎に1度発生する、最も一般的な出生障害である。
CHDは通常、心臓構造や大動脈の接続に深刻な変化があり、様々な種類に分類される。
したがって、関連する医療画像を分析するには、高度に専門的なドメイン知識と時間を要する人間のプロセスが必要である。
一方、CHDの複雑さとデータセットの欠如により、CHDの自動診断(分類)についてはほとんど研究されていない。
本稿では,CHD分類のための最初の医用画像データセットであるImageCHDを提案する。
ImageCHDには、ほとんどのタイプのCHDをカバーする110の3DCT画像が含まれています。CHDのまともなサイズの分類には、局所組織の変化なしに大きな構造変化を識別する必要があります。
これは、現在の機械学習ベースの視覚手法では解決が困難である、より大規模な問題の例である。
そこで本研究では,最新のCHDセグメンテーション法に基づいて,CHDの自動分類のためのベースラインフレームワークを提案する。
実験結果は、ベースラインフレームワークが88.4\%のカバレッジを持つ選択的予測スキームの下でのみ82.0\%の分類精度を達成できることを示し、さらなる改善の余地を残している。
ImageCHDがさらなる研究を刺激し、複数のドメインに影響を及ぼす革新的で汎用的なソリューションに繋がることを願っている。
我々のデータセットは、既存の医療画像データセットと比較して一般公開されている。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Could We Generate Cytology Images from Histopathology Images? An Empirical Study [1.791005104399795]
本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。
本研究では,CycleGANやNeural Style Transferといった従来の画像間転送モデルについて検討した。
論文 参考訳（メタデータ） (2024-03-16T10:43:12Z) - CADICA: a new dataset for coronary artery disease detection by using
invasive coronary angiography [1.5404452377809545]
冠状動脈疾患(CAD)は、今でも世界中で死因となっている。
深層学習分類法は医用画像の他の領域でよく開発されている。
最も重要な理由の1つは、可用性と高品質なオープンアクセスデータセットの欠如である。
論文 参考訳（メタデータ） (2024-02-01T13:03:13Z) - Identification of Hemorrhage and Infarct Lesions on Brain CT Images
using Deep Learning [3.5263317784479953]
頭部CTスキャンにおける異常脳組織の手動アノテーションの基準は、重大な欠点を伴っている。
頭蓋内出血 (ICH) と梗塞の判定は, 画像テクスチャ, ボリュームサイズ, スキャン品質の変動が原因で困難である。
本研究は,頭部CTスキャンからICHと梗塞を同定するDLベースのアルゴリズムを検証した。
論文 参考訳（メタデータ） (2023-07-10T09:00:12Z) - A Novel Automated Classification and Segmentation for COVID-19 using 3D
CT Scans [5.5957919486531935]
新型コロナウイルス(COVID-19)による肺のCT画像では、地上ガラスの濁度が専門的な診断を必要とする最も一般的な発見である。
一部の研究者は、専門知識の欠如による専門的診断専門医の代替となる、関連するDLモデルを提案する。
肺病変の分類では, 新型コロナウイルス, 肺炎, 正常の3種類で94.52%の精度が得られた。
論文 参考訳（メタデータ） (2022-08-04T22:14:18Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳（メタデータ） (2021-07-07T13:56:38Z) - 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) - 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)
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。