論文の概要: Effect of Radiology Report Labeler Quality on Deep Learning Models for Chest X-Ray Interpretation

• arxiv url: http://arxiv.org/abs/2104.00793v1
• Date: Thu, 1 Apr 2021 22:37:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:58:10.487832
• Title: Effect of Radiology Report Labeler Quality on Deep Learning Models for Chest X-Ray Interpretation
• Title（参考訳）: 胸部X線解釈の深部学習モデルに及ぼす放射線学レポート品質の影響
• Authors: Saahil Jain, Akshay Smit, Andrew Y. Ng, Pranav Rajpurkar
• Abstract要約: 本研究は胸部X線分類モデルの性能に及ぼす放射線学レポートラベリングの改善効果について検討した。 放射線医学レポートから正確な胸部X線画像ラベルを抽出するタスクで、CheXpert、CheXbert、VisualCheXbertラベラーを比較します。 VisualCheXbertラベルラーのラベルで訓練された画像分類モデルは、CheXpertラベルとCheXbertラベルラーのラベルで訓練された画像分類モデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 6.360030720258042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning models for chest X-ray interpretation are commonly trained on labels generated by automatic radiology report labelers, the impact of improvements in report labeling on the performance of chest X-ray classification models has not been systematically investigated. We first compare the CheXpert, CheXbert, and VisualCheXbert labelers on the task of extracting accurate chest X-ray image labels from radiology reports, reporting that the VisualCheXbert labeler outperforms the CheXpert and CheXbert labelers. Next, after training image classification models using labels generated from the different radiology report labelers on one of the largest datasets of chest X-rays, we show that an image classification model trained on labels from the VisualCheXbert labeler outperforms image classification models trained on labels from the CheXpert and CheXbert labelers. Our work suggests that recent improvements in radiology report labeling can translate to the development of higher performing chest X-ray classification models.
• Abstract（参考訳）: 胸部X線解析のための深層学習モデルは, 自動放射線診断レポートラベリングによって生成されたラベルに基づいて訓練されることが多いが, 胸部X線分類モデルの性能に及ぼすレポートラベリングの改善の影響は系統的に検討されていない。 まず,chexpert,chexbertおよびvisualchexbertラベラーをx線画像から正確な胸部x線ラベルを抽出する作業で比較し,visualchexbertラベラーがchexpertおよびchexbertラベラーよりも優れていることを報告した。 次に, 胸部X線の最大データセットの1つに, 異なる放射線学レポートラベルから生成されたラベルを用いて画像分類モデルを訓練した後, VisualCheXbertラベルからトレーニングした画像分類モデルがCheXpertラベルとCheXbertラベルからトレーニングした画像分類モデルより優れていることを示す。 本研究は, 胸部X線分類モデルの開発にラジオグラフィーレポートラベリングの最近の進歩が寄与することを示唆している。

関連論文リスト

• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• German CheXpert Chest X-ray Radiology Report Labeler [50.591267188664666]
  本研究の目的は,胸部X線分類モデルのアノテーションを自動的に抽出するアルゴリズムを開発することである。 その結果、自動ラベル抽出は手動ラベリングに費やす時間を短縮し、全体のモデリング性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-06-05T11:01:58Z)
• 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)
• BoMD: Bag of Multi-label Descriptors for Noisy Chest X-ray Classification [25.76256302330625]
  新しい医用画像分類問題は、放射線医学レポートから抽出された機械生成ノイズラベルに依存する必要があるかもしれない。 マルチクラス問題に対して設計された現在の雑音ラベル学習法は容易には適用できない。 本稿では,データセットからサンプルを検出し,スムーズに再ラベルする,ノイズの多い多ラベルCXR学習のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-03T08:04:59Z)
• 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)
• 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)
• VisualCheXbert: Addressing the Discrepancy Between Radiology Report Labels and Image Labels [4.865330207715854]
  胸部x線画像のラベリングには放射線科医の意見が異なっていた。 画像のラベリングとよりよく一致したラジオロジーレポートからラベルを作成する手法を開発し,評価する。
  論文  参考訳（メタデータ） (2021-02-23T03:02:36Z)
• Extracting and Learning Fine-Grained Labels from Chest Radiographs [0.157292030677369]
  胸部X線画像の微細なラベルの抽出と学習に焦点を当てた。 今までで最大の発見スペクトルを示す457個の細粒度ラベルが選択された。 高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。
  論文  参考訳（メタデータ） (2020-11-18T19:56:08Z)
• Chest X-ray Report Generation through Fine-Grained Label Learning [46.352966049776875]
  画像から詳細な所見を学習する領域認識自動胸部X線診断レポート生成アルゴリズムを提案する。 また、画像にそのような記述子を割り当てる自動ラベリングアルゴリズムを開発し、発見の粗い記述ときめ細かい記述の両方を認識する新しいディープラーニングネットワークを構築した。
  論文  参考訳（メタデータ） (2020-07-27T19:50:56Z)

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。