論文の概要: A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation

• arxiv url: http://arxiv.org/abs/2104.10326v1
• Date: Wed, 21 Apr 2021 02:57:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:17:52.500852
• Title: A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation
• Title（参考訳）: 胸部疾患検出・分節のための構造認識関連ネットワーク
• Authors: Jie Lian and Jingyu Liu and Shu Zhang and Kai Gao and Xiaoqing Liu and Dingwen Zhang and Yizhou Yu
• Abstract要約: 胸部x線画像の自動診断には胸部疾患や異常のインスタンスレベル検出と分割が不可欠である。 Mask R-CNNを拡張した構造認識関係ネットワーク(SAR-Net)を提案する。 ChestX-Detは、インスタンスレベルのアノテーション(ボックスとマスク)を備えた胸部X線データセットです。
• 参考スコア（独自算出の注目度）: 63.76299770460766
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance level detection and segmentation of thoracic diseases or abnormalities are crucial for automatic diagnosis in chest X-ray images. Leveraging on constant structure and disease relations extracted from domain knowledge, we propose a structure-aware relation network (SAR-Net) extending Mask R-CNN. The SAR-Net consists of three relation modules: 1. the anatomical structure relation module encoding spatial relations between diseases and anatomical parts. 2. the contextual relation module aggregating clues based on query-key pair of disease RoI and lung fields. 3. the disease relation module propagating co-occurrence and causal relations into disease proposals. Towards making a practical system, we also provide ChestX-Det, a chest X-Ray dataset with instance-level annotations (boxes and masks). ChestX-Det is a subset of the public dataset NIH ChestX-ray14. It contains ~3500 images of 13 common disease categories labeled by three board-certified radiologists. We evaluate our SAR-Net on it and another dataset DR-Private. Experimental results show that it can enhance the strong baseline of Mask R-CNN with significant improvements. The ChestX-Det is released at https://github.com/Deepwise-AILab/ChestX-Det-Dataset.
• Abstract（参考訳）: 胸部x線画像の自動診断には胸部疾患や異常のインスタンスレベル検出と分割が不可欠である。 そこで本研究では,Mask R-CNNを拡張した構造認識ネットワーク(SAR-Net)を提案する。 SAR-Netは3つの関係モジュールから構成される: 1. 疾患と解剖学的部分の間の空間的関係をコードする解剖学的構造関係モジュール。 2. 問合せキー対の疾患RoIと肺野に基づく手がかりを収集する文脈関係モジュール。 3. 疾患提案への共起・因果関係を伝播する疾患関連モジュール。 実用的なシステム構築に向けて,インスタンスレベルのアノテーション(ボックスとマスク)を備えた胸部x線データセットである胸部x線デットも提供する。 ChestX-Detは、NIH ChestX-ray14のサブセットである。 3人の放射線学者によってラベル付けされた13の一般的な疾患カテゴリの3500枚の画像を含んでいる。 我々はSAR-Netと別のデータセットDR-Privateを評価した。 実験の結果,Mask R-CNNの強いベースラインを向上し,大幅な改善が得られた。 ChestX-Detはhttps://github.com/Deepwise-AILab/ChestX-Det-Datasetでリリースされた。

関連論文リスト

• RadGenome-Chest CT: A Grounded Vision-Language Dataset for Chest CT Analysis [56.57177181778517]
  RadGenome-Chest CTはCT-RATEに基づく大規模3次元胸部CT解釈データセットである。 私たちは、最新の強力なユニバーサルセグメンテーションと大きな言語モデルを活用して、元のデータセットを拡張します。
  論文  参考訳（メタデータ） (2024-04-25T17:11:37Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• CheXRelNet: An Anatomy-Aware Model for Tracking Longitudinal Relationships between Chest X-Rays [2.9212099078191764]
  我々は2つの胸部X線間の縦断的病理変化関係を追跡できる神経モデルであるCheXRelNetを提案する。 CheXRelNetは、ローカルおよびグローバルな視覚機能を導入し、画像内および画像内解剖情報を使用し、解剖学的領域属性間の依存関係を学習する。
  論文  参考訳（メタデータ） (2022-08-08T02:22:09Z)
• Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance [58.01014026139231]
  新しい大規模結核(TB)胸部X線データセット(TBX-Att)を提案する。 属性情報を利用してTBの分類とローカライズを行うための属性支援弱教師付きフレームワークを構築した。 提案モデルはTBX-Attデータセットで評価され,今後の研究の確かなベースラインとして機能する。
  論文  参考訳（メタデータ） (2022-07-01T07:50:35Z)
• Attention-based Multi-scale Gated Recurrent Encoder with Novel Correlation Loss for COVID-19 Progression Prediction [3.3070542851160782]
  本研究は,CXRから肺浸潤の進展を予測するための深層学習に基づくアプローチを提案する。 本枠組みは,前回のCXRから表象を学習し,その日の患者に対するゾーンワイド病重症度を予測する。
  論文  参考訳（メタデータ） (2021-07-18T00:37:55Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。