論文の概要: An Incremental Learning Approach to Automatically Recognize Pulmonary Diseases from the Multi-vendor Chest Radiographs

• arxiv url: http://arxiv.org/abs/2201.02574v1
• Date: Fri, 7 Jan 2022 18:14:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-10 16:17:55.052304
• Title: An Incremental Learning Approach to Automatically Recognize Pulmonary Diseases from the Multi-vendor Chest Radiographs
• Title（参考訳）: 胸部X線写真からの肺疾患自動認識のための増分学習アプローチ
• Authors: Mehreen Sirshar and Taimur Hassan and Muhammad Usman Akram and Shoab Ahmed Khan
• Abstract要約: 肺疾患は重篤な呼吸障害を引き起こし、時間的に治療されないと突然死亡する。 多くの研究者が、胸部X線(CXR)を用いた肺疾患の診断にディープラーニングシステムを利用している。 しかし,このようなシステムでは胸部異常を効果的に診断するために,大規模データに対する徹底的な訓練が必要である。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pulmonary diseases can cause severe respiratory problems, leading to sudden death if not treated timely. Many researchers have utilized deep learning systems to diagnose pulmonary disorders using chest X-rays (CXRs). However, such systems require exhaustive training efforts on large-scale data to effectively diagnose chest abnormalities. Furthermore, procuring such large-scale data is often infeasible and impractical, especially for rare diseases. With the recent advances in incremental learning, researchers have periodically tuned deep neural networks to learn different classification tasks with few training examples. Although, such systems can resist catastrophic forgetting, they treat the knowledge representations independently of each other, and this limits their classification performance. Also, to the best of our knowledge, there is no incremental learning-driven image diagnostic framework that is specifically designed to screen pulmonary disorders from the CXRs. To address this, we present a novel framework that can learn to screen different chest abnormalities incrementally. In addition to this, the proposed framework is penalized through an incremental learning loss function that infers Bayesian theory to recognize structural and semantic inter-dependencies between incrementally learned knowledge representations to diagnose the pulmonary diseases effectively, regardless of the scanner specifications. We tested the proposed framework on five public CXR datasets containing different chest abnormalities, where it outperformed various state-of-the-art system through various metrics.
• Abstract（参考訳）: 肺疾患は重篤な呼吸障害を引き起こし、時間的に治療されないと突然死亡する。 多くの研究者は、胸部X線(CXR)を用いた肺疾患の診断にディープラーニングシステムを利用している。 しかし,このようなシステムでは胸部異常を効果的に診断するために,大規模データに対する徹底的な訓練が必要である。 さらに、このような大規模データの調達は、特にまれな疾患において、しばしば実現不可能で実用的ではない。 最近のインクリメンタル学習の進歩により、研究者はトレーニング例の少ない異なる分類タスクを学ぶために、ディープニューラルネットワークを定期的に調整している。 このようなシステムは破滅的な記憶に抵抗するが、知識表現を相互に独立して扱うため、分類性能が制限される。 また、私たちの知る限りでは、CXRから肺疾患をスクリーニングするために特別に設計された、漸進的な学習駆動画像診断フレームワークはありません。 そこで本研究では,異なる胸部異常を段階的にスクリーニングできる新しい枠組みを提案する。 これに加えて,提案手法は,バージェス理論を推定するインクリメンタル学習損失関数によってペナルティを課し,インクリメンタル学習知識表現間の構造的および意味的相互依存性を認識し,スキャナの仕様によらず,肺疾患を効果的に診断する。 胸部異常を含む5つの公開CXRデータセットを用いて提案手法を検証し,様々な指標を用いて各種最先端システムの性能を向上した。

関連論文リスト

• CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using Machine Learning [0.0]
  本稿では,二元化ローカライズU-netモデルであるCheX-nomalyを提案する。 対照的な学習手法を取り入れることで,異常局所化モデルの一般化性を大幅に向上できることを示す。 また,バウンディングボックスセグメンテーションにおけるU-nets性能を向上させるために,新たな損失手法を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:27:57Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Deep Pneumonia: Attention-Based Contrastive Learning for Class-Imbalanced Pneumonia Lesion Recognition in Chest X-rays [11.229472535033558]
  Intention-based Contrastive Learning for Class-Imbalanced X-ray Pneumonia Lesion Recognitionを提案する。 提案手法は, 医師がより正確な肺炎の診断を行えるように, 信頼性の高いコンピュータ支援型肺炎診断システムとして利用することができる。
  論文  参考訳（メタデータ） (2022-07-23T02:28:37Z)
• 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)
• Study on Transfer Learning Capabilities for Pneumonia Classification in Chest-X-Rays Image [11.076902397190961]
  本研究では,トランスファーラーニングパラダイムを用いて,確立されたニューラルネットワークアーキテクチャが肺炎分類課題に及ぼす影響について検討する。 総合的な比較をするために、よく知られた12のImageNet事前訓練モデルを微調整し、健康な人の胸部X線を識別するために使用した。 実験は、合計6330枚の画像を使用して、列車、検証、テストセットに分割された。
  論文  参考訳（メタデータ） (2021-10-06T14:00:18Z)
• 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)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。