論文の概要: REFLACX, a dataset of reports and eye-tracking data for localization of
abnormalities in chest x-rays
- arxiv url: http://arxiv.org/abs/2109.14187v1
- Date: Wed, 29 Sep 2021 04:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:41:28.340843
- Title: REFLACX, a dataset of reports and eye-tracking data for localization of
abnormalities in chest x-rays
- Title（参考訳）: REFLACXは胸部X線異常の局所化のためのレポートとアイトラッキングデータである
- Authors: Ricardo Bigolin Lanfredi, Mingyuan Zhang, William F. Auffermann,
Jessica Chan, Phuong-Anh T. Duong, Vivek Srikumar, Trafton Drew, Joyce D.
Schroeder, Tolga Tasdizen
- Abstract要約: アイトラッカーを用いて暗黙の局所化データを収集し、視線位置とマイクを捕捉し、レポートの予測をキャプチャする手法を提案する。
得られたREFLACXデータセットは5人の放射線学者によってラベル付けされ、3,032個のアイトラッキングデータとタイムスタンプによるレポートの書き起こしを含む。
- 参考スコア（独自算出の注目度）: 22.548782080717096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has shown recent success in classifying anomalies in chest
x-rays, but datasets are still small compared to natural image datasets.
Supervision of abnormality localization has been shown to improve trained
models, partially compensating for dataset sizes. However, explicitly labeling
these anomalies requires an expert and is very time-consuming. We propose a
method for collecting implicit localization data using an eye tracker to
capture gaze locations and a microphone to capture a dictation of a report,
imitating the setup of a reading room, and potentially scalable for large
datasets. The resulting REFLACX (Reports and Eye-Tracking Data for Localization
of Abnormalities in Chest X-rays) dataset was labeled by five radiologists and
contains 3,032 synchronized sets of eye-tracking data and timestamped report
transcriptions. We also provide bounding boxes around lungs and heart and
validation labels consisting of ellipses localizing abnormalities and
image-level labels. Furthermore, a small subset of the data contains readings
from all radiologists, allowing for the calculation of inter-rater scores.
- Abstract（参考訳）: ディープラーニングは、胸部x線における異常の分類に最近成功したが、自然画像データセットに比べてデータセットは小さい。
異常ローカライゼーションのスーパービジョンは、トレーニングされたモデルを改善することを示し、部分的にデータセットサイズを補償している。
しかし、これらの異常を明示的にラベル付けるには専門家が必要であり、非常に時間がかかる。
本研究では,視線追跡装置を用いて視線位置とマイクロホンをキャプチャし,レポートの指示をキャプチャし,読書室のセットアップを模倣し,大規模データセットに対して潜在的にスケーラブルな暗黙的ローカライズデータを収集する手法を提案する。
得られたREFLACX(Reports and Eye-Tracking Data for Localization of Abnormalities in Chest X-rays)データセットは5人の放射線学者によってラベル付けされ、3,032個のアイトラッキングデータとタイムスタンプされたレポートの書き起こしが含まれている。
また,肺と心臓を囲むバウンディングボックスや,異常の局所化と画像レベルのラベルからなるバリデーションラベルも提供する。
さらに、データの小さなサブセットには、すべての放射線科医からの読み出しが含まれており、レート間スコアの計算を可能にしている。
関連論文リスト
- ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。
ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。
各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文 参考訳（メタデータ） (2024-05-27T02:42:33Z) - 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) - Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。
本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。
シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文 参考訳（メタデータ） (2023-05-17T09:37:07Z) - Improving Semi-supervised Deep Learning by using Automatic Thresholding
to Deal with Out of Distribution Data for COVID-19 Detection using Chest
X-ray Images [0.0]
ラベルなしデータセットにおける分布外データをフィルタリングする自動しきい値抽出法を提案する。
胸部X線画像を用いた新型コロナウイルス検出装置の訓練において,2つの簡単な自動しきい値設定法を検証した。
論文 参考訳（メタデータ） (2022-11-03T20:56:45Z) - Localization supervision of chest x-ray classifiers using label-specific
eye-tracking annotation [4.8035104863603575]
眼球追跡(ET)データは、放射線科医の診療ワークフローにおいて、非侵襲的な方法で収集することができる。
我々は、CXRレポートを作成してCNNを訓練する際、放射線技師から記録されたETデータを使用します。
ETデータから,キーワードの指示に関連付けて抽出し,異常の局所化を監督する。
論文 参考訳（メタデータ） (2022-07-20T09:26:29Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Latent Outlier Exposure for Anomaly Detection with Contaminated Data [31.446666264334528]
異常検出は、ラベルなしデータセットの大多数のデータから体系的なずれを示すデータポイントを特定することを目的としている。
本稿では,広範囲のモデルと互換性のあるラベルのない異常が存在する場合に,異常検知器を訓練するための戦略を提案する。
論文 参考訳（メタデータ） (2022-02-16T14:21:28Z) - Dealing with Distribution Mismatch in Semi-supervised Deep Learning for
Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature
Densities [0.6882042556551609]
半教師付きディープラーニングは、大きなラベル付きデータセットの魅力的な代替手段である。
実世界の使用状況設定では、ラベル付きデータセットとは異なる分布を示す可能性がある。
これにより、ラベル付きデータセットとラベル付きデータセットの分散ミスマッチが発生します。
論文 参考訳（メタデータ） (2021-08-17T00:35:43Z) - Learning Visual-Semantic Embeddings for Reporting Abnormal Findings on
Chest X-rays [6.686095511538683]
本研究は放射線画像の異常所見の報告に焦点を当てる。
本稿では, レポートから異常な発見を識別し, 教師なしクラスタリングと最小限のルールで分類する手法を提案する。
本手法は, 異常所見を回収し, 臨床正当性およびテキスト生成量の両方で既存の世代モデルより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-06T04:18:18Z) - 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。