論文の概要: GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray images

• arxiv url: http://arxiv.org/abs/2107.06442v1
• Date: Wed, 14 Jul 2021 01:27:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-16 01:47:57.173000
• Title: GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray images
• Title（参考訳）: GREN:X線画像における弱スーパービジョン病局在のためのグラフ規則化埋め込みネットワーク
• Authors: Baolian Qi, Gangming Zhao, Xin Wei, Chaowei Fang, Chengwei Pan, Jinpeng Li, Huiguang He, and Licheng Jiao
• Abstract要約: コンテキスト情報や補償情報として、クロスリージョンとクロスイメージの関係は、より一貫性のある統合された領域を得るために不可欠である。 胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。 このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得られた。
• 参考スコア（独自算出の注目度）: 35.18562405272593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Locating diseases in chest X-ray images with few careful annotations saves large human effort. Recent works approached this task with innovative weakly-supervised algorithms such as multi-instance learning (MIL) and class activation maps (CAM), however, these methods often yield inaccurate or incomplete regions. One of the reasons is the neglection of the pathological implications hidden in the relationship across anatomical regions within each image and the relationship across images. In this paper, we argue that the cross-region and cross-image relationship, as contextual and compensating information, is vital to obtain more consistent and integral regions. To model the relationship, we propose the Graph Regularized Embedding Network (GREN), which leverages the intra-image and inter-image information to locate diseases on chest X-ray images. GREN uses a pre-trained U-Net to segment the lung lobes, and then models the intra-image relationship between the lung lobes using an intra-image graph to compare different regions. Meanwhile, the relationship between in-batch images is modeled by an inter-image graph to compare multiple images. This process mimics the training and decision-making process of a radiologist: comparing multiple regions and images for diagnosis. In order for the deep embedding layers of the neural network to retain structural information (important in the localization task), we use the Hash coding and Hamming distance to compute the graphs, which are used as regularizers to facilitate training. By means of this, our approach achieves the state-of-the-art result on NIH chest X-ray dataset for weakly-supervised disease localization. Our codes are accessible online.
• Abstract（参考訳）: 注意深いアノテーションで胸部x線画像内の疾患を見つけることは、大きな人間の努力を救える。 近年の研究では,MIL (Multi-instance Learning) やクラスアクティベーションマップ (class activation map, CAM) などのアルゴリズムによって,この課題にアプローチしているが,不正確な領域や不完全領域を生じることが多い。 理由の1つは、各画像内の解剖学的領域と画像間の関係に隠された病理学的意味の無視である。 本稿では,コンテクスト情報と補償情報としてのクロスリージョンとクロスイメージの関係が,より一貫した統合領域を得るために不可欠であると主張する。 この関係をモデル化するために,胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。 grenは訓練済みのu-netを使って肺葉を分割し、画像内グラフを用いて肺葉間の画像内関係をモデル化し、異なる領域を比較する。 一方、バッチ内画像間の関係は画像間グラフによってモデル化され、複数の画像を比較する。 このプロセスは放射線医の訓練と意思決定の過程を模倣し、複数の領域と画像を比較して診断する。 ニューラルネットワークの深層埋め込み層が構造情報を保持するために(局所化タスクにおいて重要)、ハッシュ符号化とハミング距離を用いてグラフを計算する。 このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得た。 私たちのコードはオンラインでアクセスできます。

関連論文リスト

• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• 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)
• Context-aware Self-supervised Learning for Medical Images Using Graph Neural Network [24.890564475121238]
  本稿では,2段階の自己指導型表現学習目標を用いた新しい手法を提案する。 グラフニューラルネットワークを用いて、異なる解剖学的領域間の関係を組み込む。 グラフの構造は、各患者と解剖学的アトラスの間の解剖学的対応によって通知される。
  論文  参考訳（メタデータ） (2022-07-06T20:30:12Z)
• 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)
• 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)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)
• Context Matters: Graph-based Self-supervised Representation Learning for Medical Images [21.23065972218941]
  2段階の自己監督型表現学習目標を備えた新しいアプローチを紹介します。 グラフニューラルネットワークを用いて、異なる解剖学的領域間の関係を組み込む。 我々のモデルは、画像中の臨床的に関連のある領域を識別できる。
  論文  参考訳（メタデータ） (2020-12-11T16:26:07Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。