論文の概要: Searching for Pneumothorax in X-Ray Images Using Autoencoded Deep
Features
- arxiv url: http://arxiv.org/abs/2102.06096v1
- Date: Thu, 11 Feb 2021 16:21:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-12 14:18:02.664277
- Title: Searching for Pneumothorax in X-Ray Images Using Autoencoded Deep
Features
- Title（参考訳）: 自動符号化深部画像を用いたX線画像中の気胸の探索
- Authors: Antonio Sze-To, Abtin Riasatian, Hamid R. Tizhoosh
- Abstract要約: 胸部X線像では、放射線医による視覚検査により気胸が検出されるのが一般的である。
3つの入力を圧縮した胸部画像検索のためのAutoencoding Thorax Net(短いAutoThorax-Net)を開発した。
半自動検索は194,608例(気胸,正常)で92%,全自動検索は82%,全自動検索は51,383例(正常,気胸,その他多くの胸部疾患)で82%であった。
- 参考スコア（独自算出の注目度）: 5.868569999949525
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fast diagnosis and treatment of pneumothorax, a collapsed or dropped lung, is
crucial to avoid fatalities. Pneumothorax is typically detected on a chest
X-ray image through visual inspection by experienced radiologists. However, the
detection rate is quite low. Therefore, there is a strong need for automated
detection systems to assist radiologists. Despite the high accuracy levels
generally reported for deep learning classifiers in many applications, they may
not be useful in clinical practice due to the lack of large number of
high-quality labelled images as well as a lack of interpretation possibility.
Alternatively, searching in the archive of past cases to find matching images
may serve as a 'virtual second opinion' through accessing the metadata of
matched evidently diagnosed cases. To use image search as a triaging/diagnosis
tool, all chest X-ray images must first be tagged with identifiers, i.e., deep
features. Then, given a query chest X-ray image, the majority vote among the
top k retrieved images can provide a more explainable output. While image
search can be clinically more viable, its detection performance needs to be
investigated at a scale closer to real-world practice. We combined 3 public
datasets to assemble a repository with more than 550,000 chest X-ray images. We
developed the Autoencoding Thorax Net (short AutoThorax-Net) for image search
in chest radiographs compressing three inputs: the left chest side, the flipped
right side, and the entire chest image. Experimental results show that image
search based on AutoThorax-Net features can achieve high identification rates
providing a path towards real-world deployment. We achieved 92% AUC accuracy
for a semi-automated search in 194,608 images (pneumothorax and normal) and 82%
AUC accuracy for fully automated search in 551,383 images (normal, pneumothorax
and many other chest diseases).
- Abstract（参考訳）: 破裂または低下した肺である気胸の迅速な診断と治療は、死亡を避けるために重要です。
気胸は通常、経験豊富な放射線科医による視察を通して胸部x線画像で検出される。
しかし、検出率は極めて低い。
そのため、放射線科医を補助する自動検出システムが必要である。
多くの応用において、ディープラーニング分類器で一般的に報告される高い精度レベルにもかかわらず、多くの高品質のラベル付き画像の欠如と解釈可能性の欠如により、臨床において有用ではない可能性がある。
あるいは、過去のケースのアーカイブを検索してマッチング画像を見つけることは、一致した診断されたケースのメタデータにアクセスすることで、"仮想第2の意見"として機能する可能性がある。
画像検索をトリージング/診断ツールとして使用するためには、胸部x線画像にまず識別子、すなわち深い特徴をタグ付けする必要がある。
そして、クエリーチェストX線画像が与えられた場合、トップk検索画像の多数投票により、より説明しやすい出力が得られる。
画像検索は臨床的により有効であるが、実際の実践に近い規模で検出性能を調査する必要がある。
公開データセットを3つ組み合わせて、550,000以上の胸部x線画像を持つリポジトリを組み立てました。
左胸側,右下肢,胸部全画像の3つの入力を圧縮した胸部X線画像検索用Autoencoding Thorax Net(短いAutoThorax-Net)を開発した。
実験結果から,AutoThorax-Net機能に基づく画像検索により,実世界展開への道筋となる高い識別率が得られることが示された。
194,608画像(気胸,正常)で半自動検索で92%のauc精度を,551,383画像(正常,気胸,その他多くの胸疾患)で完全自動検索で82%のauc精度を得た。
関連論文リスト
- LeDNet: Localization-enabled Deep Neural Network for Multi-Label Radiography Image Classification [0.1227734309612871]
マルチラベルラジオグラフィー画像分類は、長い間ニューラルネットワーク研究における関心のトピックであった。
胸部X線画像を用いて胸部疾患を診断する。
胸部疾患を高精度に予測するために,LDNetと呼ばれる局所化アルゴリズムと深層学習アルゴリズムの組み合わせを提案する。
論文 参考訳（メタデータ） (2024-07-04T13:46:30Z) - 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) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳（メタデータ） (2022-11-14T03:51:12Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - 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) - 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) - 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) - Reliable Tuberculosis Detection using Chest X-ray with Deep Learning,
Segmentation and Visualization [0.0]
結核は細菌感染による慢性肺疾患であり、死因のトップ10の1つである。
胸部X線画像から, 画像前処理, データ拡張, 画像分割, ディープラーニング分類技術を用いて, TBを確実に検出した。
論文 参考訳（メタデータ） (2020-07-29T15:11:34Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。