論文の概要: SCALP -- Supervised Contrastive Learning for Cardiopulmonary Disease
Classification and Localization in Chest X-rays using Patient Metadata
- arxiv url: http://arxiv.org/abs/2110.14787v1
- Date: Wed, 27 Oct 2021 21:38:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 16:02:23.595621
- Title: SCALP -- Supervised Contrastive Learning for Cardiopulmonary Disease
Classification and Localization in Chest X-rays using Patient Metadata
- Title（参考訳）: SCALP -- 患者メタデータを用いた胸部X線における心肺疾患分類と局所化のためのコントラスト学習
- Authors: Ajay Jaiswal, Tianhao Li, Cyprian Zander, Yan Han, Justin F. Rousseau,
Yifan Peng, Ying Ding
- Abstract要約: そこで我々は,自己監督型コントラストアプローチを教師付き設定に拡張する,エンドツーエンドフレームワークであるSCALPを紹介した。
SCALPは同一患者(陽性キー)から胸部X線を抽出し、異なる患者(陰キー)から胸部X線を分離する
実験により,SCALPは,分類タスクと局所化タスクの両方において,有意な差で既存のベースラインを上回っていることが示された。
- 参考スコア（独自算出の注目度）: 10.269187107011934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer-aided diagnosis plays a salient role in more accessible and accurate
cardiopulmonary diseases classification and localization on chest radiography.
Millions of people get affected and die due to these diseases without an
accurate and timely diagnosis. Recently proposed contrastive learning heavily
relies on data augmentation, especially positive data augmentation. However,
generating clinically-accurate data augmentations for medical images is
extremely difficult because the common data augmentation methods in computer
vision, such as sharp, blur, and crop operations, can severely alter the
clinical settings of medical images. In this paper, we proposed a novel and
simple data augmentation method based on patient metadata and supervised
knowledge to create clinically accurate positive and negative augmentations for
chest X-rays. We introduce an end-to-end framework, SCALP, which extends the
self-supervised contrastive approach to a supervised setting. Specifically,
SCALP pulls together chest X-rays from the same patient (positive keys) and
pushes apart chest X-rays from different patients (negative keys). In addition,
it uses ResNet-50 along with the triplet-attention mechanism to identify
cardiopulmonary diseases, and Grad-CAM++ to highlight the abnormal regions. Our
extensive experiments demonstrate that SCALP outperforms existing baselines
with significant margins in both classification and localization tasks.
Specifically, the average classification AUCs improve from 82.8% (SOTA using
DenseNet-121) to 83.9% (SCALP using ResNet-50), while the localization results
improve on average by 3.7% over different IoU thresholds.
- Abstract（参考訳）: コンピュータ診断は、よりアクセスしやすく正確な心肺疾患の分類と胸部x線撮影における局在において重要な役割を果たす。
何百万人もの人々が、正確でタイムリーな診断なしに、これらの病気によって影響を受けて死にます。
最近提案されたコントラスト学習は、データ拡張、特にポジティブなデータ拡張に大きく依存している。
しかし, シャープ, ぼやけ, 作物操作などのコンピュータビジョンにおける一般的なデータ拡張手法は, 医用画像の臨床的設定を著しく変えうるため, 医療用画像の精度の高いデータ拡張を生成することは極めて困難である。
本稿では,患者メタデータと教師付き知識に基づく新規でシンプルなデータ拡張手法を提案し,胸部X線に対する臨床的に正確な正負の増悪を創出する。
そこで我々は,自己監督型コントラストアプローチを教師付き設定に拡張する,エンドツーエンドフレームワークであるSCALPを紹介した。
特にSCALPは、同じ患者(陽性キー)から胸部X線を抽出し、異なる患者(陰キー)から胸部X線を分離する。
さらに、ResNet-50とトリプルトアテンション機構を使って心肺疾患を識別し、Grad-CAM++は異常領域をハイライトする。
大規模な実験により、SCALPは、分類タスクとローカライゼーションタスクの両方において、有意な差で既存のベースラインを上回ります。
具体的には、平均分類AUCは82.8%(DenseNet-121)でSOTA)から83.9%(ResNet-50でSCALP)に改善され、ローカライゼーション結果は異なるIoU閾値で平均3.7%改善された。
関連論文リスト
- Enhancing Osteoporosis Detection: An Explainable Multi-Modal Learning Framework with Feature Fusion and Variable Clustering [6.196283036344105]
骨粗しょう症は、特に高齢者の骨折リスクを高める一般的な病態である。
本研究は,臨床および画像データを統合し,診断精度とモデル解釈性を向上させる新しい多モード学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-01T13:58:15Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳（メタデータ） (2023-04-18T18:15:38Z) - Predicting Ejection Fraction from Chest X-rays Using Computer Vision for
Diagnosing Heart Failure [8.955986135184375]
Ejection fraction (EF) は心不全の診断と管理のための重要な指標である。
胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。
本研究は,CXRのみからEFの低減を予測するためのコンピュータビジョン技術の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-19T21:18:27Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - DPN-SENet:A self-attention mechanism neural network for detection and
diagnosis of COVID-19 from chest x-ray images [16.010171071102416]
新型コロナウイルス(COVID-19)とも呼ばれる新型ウイルスは、2019年末に流行し、今では世界中に広まっている。
本稿では,放射線科医や臨床医が胸部X線を用いて新型コロナウイルスの診断に役立てる深層学習モデルを提案する。
論文 参考訳（メタデータ） (2021-05-20T11:50:52Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - 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) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。