論文の概要: Pulmonary Disease Classification Using Globally Correlated Maximum Likelihood: an Auxiliary Attention mechanism for Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2109.00573v1
• Date: Wed, 1 Sep 2021 19:03:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 14:05:22.056741
• Title: Pulmonary Disease Classification Using Globally Correlated Maximum Likelihood: an Auxiliary Attention mechanism for Convolutional Neural Networks
• Title（参考訳）: Globally Correlated Maximum Likelihood を用いた肺疾患の分類:畳み込みニューラルネットワークの補助的注意機構
• Authors: Edward Verenich, Tobias Martin, Alvaro Velasquez, Nazar Khan, and Faraz Hussain
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は現在、胸部X線写真における肺の異常の分類と検出に広く利用されている。 本稿では,既存のCNNアーキテクチャの補助的アテンション機構として機能する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 6.167712088504692
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNN) are now being widely used for classifying and detecting pulmonary abnormalities in chest radiographs. Two complementary generalization properties of CNNs, translation invariance and equivariance, are particularly useful in detecting manifested abnormalities associated with pulmonary disease, regardless of their spatial locations within the image. However, these properties also come with the loss of exact spatial information and global relative positions of abnormalities detected in local regions. Global relative positions of such abnormalities may help distinguish similar conditions, such as COVID-19 and viral pneumonia. In such instances, a global attention mechanism is needed, which CNNs do not support in their traditional architectures that aim for generalization afforded by translation invariance and equivariance. Vision Transformers provide a global attention mechanism, but lack translation invariance and equivariance, requiring significantly more training data samples to match generalization of CNNs. To address the loss of spatial information and global relations between features, while preserving the inductive biases of CNNs, we present a novel technique that serves as an auxiliary attention mechanism to existing CNN architectures, in order to extract global correlations between salient features.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)は現在、胸部x線写真における肺異常の分類と検出に広く使われている。 cnnの相補的汎化特性である翻訳不変性と等分散性は、画像内の空間的位置に関わらず、肺疾患に関連する明らかな異常を検出するのに特に有用である。 しかし、これらの特性は、局所的に検出された異常の正確な空間情報と大域的相対位置の喪失も伴う。 このような異常の世界的な相対的な位置は、新型コロナウイルスやウイルス性肺炎などの同様の症状を区別するのに役立つ可能性がある。 このような場合、CNNは、翻訳不変性と等分散による一般化を目的とした従来のアーキテクチャではサポートしていないグローバルアテンションメカニズムが必要である。 視覚変換器はグローバルな注意機構を提供するが、変換不変性や等価性は欠如しており、CNNの一般化に匹敵する訓練データサンプルを必要とする。 そこで本研究では,cnnのインダクティブバイアスを保ちつつ,空間情報の喪失と特徴間のグローバル関係に対処するため,既存のcnnアーキテクチャの補助的注意機構として機能する新しい手法を提案する。

関連論文リスト

• Back to Bayesics: Uncovering Human Mobility Distributions and Anomalies with an Integrated Statistical and Neural Framework [14.899157568336731]
  DeepBayesicは、ベイズ原理とディープニューラルネットワークを統合し、基盤となる分布をモデル化する新しいフレームワークである。 我々は,いくつかのモビリティデータセットに対するアプローチを評価し,最先端の異常検出手法の大幅な改善を実証した。
  論文  参考訳（メタデータ） (2024-10-01T19:02:06Z)
• RotCAtt-TransUNet++: Novel Deep Neural Network for Sophisticated Cardiac Segmentation [0.0]
  本稿では、複雑な心構造の堅牢なセグメンテーションに適した新しいアーキテクチャであるRotCAtt-TransUNet++を提案する。 提案手法では,エンコーダ内のネストスキップ接続でマルチスケール機能を集約することで,グローバルコンテキストのモデリングを強調する。 実験の結果,提案モデルでは,4つの心的データセットと1つの腹部的データセットにまたがる既存のSOTAアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-09T02:18:50Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Convolutional Neural Networks for Neuroimaging in Parkinson's Disease: Is Preprocessing Needed? [0.0]
  畳み込みニューラルネットワーク(CNN)は、向き、サイズ、角度などに関係なく、オブジェクトを分類することが証明されている。 我々は、空間および強度正規化前処理を用いて、確立されたアーキテクチャに基づいて、4つの異なるCNNモデルを訓練した。 その結果、ALEXNETの3次元バージョンのような十分複雑なモデルでは空間的差異を効果的に考慮でき、診断精度は94.1%、ROC曲線は0.984であることがわかった。
  論文  参考訳（メタデータ） (2023-11-21T12:15:28Z)
• GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples using Gradients and Invariance Transformations [77.34726150561087]
  本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。 GITは勾配情報と不変変換の利用を組み合わせる。 本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-05T22:04:38Z)
• Hybrid CNN -Interpreter: Interpret local and global contexts for CNN-based Models [9.148791330175191]
  畳み込みニューラルネットワーク(CNN)モデルでは、さまざまな領域のパフォーマンスが向上している。 解釈可能性の欠如は、AI支援アプリケーションの受け入れとデプロイの運用中の保証と規制の大きな障壁である。 本稿では,新しいCNN-Interpreterを提案する。 局所的解釈可能性に対する層特異的な予測結果を調べるための独自の前方伝播機構 特徴相関とフィルタ重大効果を示す新しい大域的解釈可能性
  論文  参考訳（メタデータ） (2022-10-31T22:59:33Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。