論文の概要: Classification of Viral Pneumonia X-ray Images with the Aucmedi Framework

• arxiv url: http://arxiv.org/abs/2110.01017v1
• Date: Sun, 3 Oct 2021 14:57:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:32:55.880956
• Title: Classification of Viral Pneumonia X-ray Images with the Aucmedi Framework
• Title（参考訳）: Aucmedi Frameworkを用いたウイルス肺炎X線画像の分類
• Authors: Pia Schneider, Dominik M\"uller and Frank Kramer
• Abstract要約: 我々はAUCMEDIフレームワークを用いて深部神経ネットワークを訓練し、胸部X線画像を正常またはウイルス性肺炎と分類する。 Grad-CAMとLIMEの説明可能な人工知能(XAI)アルゴリズムを用いて、予測に最も重要な画像特徴を視覚化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we use the AUCMEDI-Framework to train a deep neural network to classify chest X-ray images as either normal or viral pneumonia. Stratified k-fold cross-validation with k=3 is used to generate the validation-set and 15% of the data are set aside for the evaluation of the models of the different folds and ensembles each. A random-forest ensemble as well as a Soft-Majority-Vote ensemble are built from the predictions of the different folds. Evaluation metrics (Classification-Report, macro f1-scores, Confusion-Matrices, ROC-Curves) of the individual folds and the ensembles show that the classifier works well. Finally Grad-CAM and LIME explainable artificial intelligence (XAI) algorithms are applied to visualize the image features that are most important for the prediction. For Grad-CAM the heatmaps of the three folds are furthermore averaged for all images in order to calculate a mean XAI-heatmap. As the heatmaps of the different folds for most images differ only slightly this averaging procedure works well. However, only medical professionals can evaluate the quality of the features marked by the XAI. A comparison of the evaluation metrics with metrics of standard procedures such as PCR would also be important. Further limitations are discussed.
• Abstract（参考訳）: この研究では、AUCMEDI-Frameworkを使用して、深層ニューラルネットワークをトレーニングし、胸部X線画像を正常またはウイルス性肺炎として分類する。 k=3の層状k折りクロスバリデーションを用いて検証セットを生成し、各折りたたみモデルの評価とアンサンブルの評価のためにデータの15%を別々に設定する。 異なる折りたたみの予測からランダムフォレスト・アンサンブルとソフト・メジャー・ヴォート・アンサンブルが構築される。 個々の折り目とアンサンブルの評価指標(分類報告、マクロf1スコア、融合行列、ROC曲線)は、分類器がうまく機能することを示している。 最後に、grad-camとlime explainedable artificial intelligence (xai)アルゴリズムを使用して、予測に最も重要な画像特徴を視覚化する。 Grad-CAMでは、平均XAI熱マップを計算するために、3つの折りたたみ体の熱マップが全画像に対してさらに平均化される。 多くの画像の異なる折りたたみ体の熱マップはわずかに異なるため、平均化手順はうまく機能する。 しかし、XAIが特徴とする特徴の質を評価できるのは医療専門家のみである。 評価指標とpcrなどの標準手順の指標との比較も重要である。 さらなる制限について論じる。

関連論文リスト

• Regional quality estimation for echocardiography using deep learning [0.6853438479513935]
  心エコー画像の画質の推定は、オペレーターを誘導し、臨床測定の精度を確保するのに有用である。 過去の研究はしばしば、心エコー図の視線精度と画質の区別に失敗する。 本研究では,画像品質を推定する3つの手法を開発し,比較した。
  論文  参考訳（メタデータ） (2024-08-01T14:20:47Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Evaluation of importance estimators in deep learning classifiers for Computed Tomography [1.6710577107094642]
  ディープニューラルネットワークの解釈可能性はしばしば入力特徴の重要性を推定することに依存する。 SmoothGradは2つのバージョンが忠実度とROCランキングを上回り、Integrated GradientsとSmoothGradはDSC評価に優れていた。 モデル中心 (忠実度) と人間中心 (ROC, DSC) 評価の間には重要な相違があった。
  論文  参考訳（メタデータ） (2022-09-30T11:57:25Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Virus-MNIST: Machine Learning Baseline Calculations for Image Classification [0.0]
  Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。 ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
  論文  参考訳（メタデータ） (2021-11-03T17:44:23Z)
• Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
  頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。 我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
  論文  参考訳（メタデータ） (2021-08-21T08:41:41Z)
• 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)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Evaluation of Preprocessing Techniques for U-Net Based Automated Liver Segmentation [0.0]
  本研究は,Hounsfield Unit (HU) ウィンドウリング,コントラスト限定適応ヒストグラム等化,zスコア正規化,中央フィルタリング,Block-Matching and 3D (BM3D) フィルタリングに焦点を当てた。 その結果,hu-windowing,centralral filter,z-score正規化の3つの手法を組み合わせると,ディス係数96.93%,90.77%,90.84%の最適性能が得られることがわかった。
  論文  参考訳（メタデータ） (2021-03-26T07:31:25Z)

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。