論文の概要: Lung Swapping Autoencoder: Learning a Disentangled Structure-texture
Representation of Chest Radiographs
- arxiv url: http://arxiv.org/abs/2201.07344v1
- Date: Tue, 18 Jan 2022 22:55:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 00:21:19.964154
- Title: Lung Swapping Autoencoder: Learning a Disentangled Structure-texture
Representation of Chest Radiographs
- Title（参考訳）: 肺スワッピングオートエンコーダ:胸部X線像の遠方構造-テクスチャ表現の学習
- Authors: Lei Zhou, Joseph Bae, Huidong Liu, Gagandeep Singh, Jeremy Green, Amit
Gupta, Dimitris Samaras, and Prateek Prasanna
- Abstract要約: Lung Swapping Autoencoder (LSAE)は、CXRの分解された表現を学習し、テクスチャファクタを構造因子から切り離す。
逆行訓練により、LSAEは、ある画像内の肺の形状を保存するが、別の画像の肺のテクスチャを継承するハイブリッド画像を生成するように最適化される。
- 参考スコア（独自算出の注目度）: 29.17363301325534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Well-labeled datasets of chest radiographs (CXRs) are difficult to acquire
due to the high cost of annotation. Thus, it is desirable to learn a robust and
transferable representation in an unsupervised manner to benefit tasks that
lack labeled data. Unlike natural images, medical images have their own domain
prior; e.g., we observe that many pulmonary diseases, such as the COVID-19,
manifest as changes in the lung tissue texture rather than the anatomical
structure. Therefore, we hypothesize that studying only the texture without the
influence of structure variations would be advantageous for downstream
prognostic and predictive modeling tasks. In this paper, we propose a
generative framework, the Lung Swapping Autoencoder (LSAE), that learns
factorized representations of a CXR to disentangle the texture factor from the
structure factor. Specifically, by adversarial training, the LSAE is optimized
to generate a hybrid image that preserves the lung shape in one image but
inherits the lung texture of another. To demonstrate the effectiveness of the
disentangled texture representation, we evaluate the texture encoder $Enc^t$ in
LSAE on ChestX-ray14 (N=112,120), and our own multi-institutional COVID-19
outcome prediction dataset, COVOC (N=340 (Subset-1) + 53 (Subset-2)). On both
datasets, we reach or surpass the state-of-the-art by finetuning $Enc^t$ in
LSAE that is 77% smaller than a baseline Inception v3. Additionally, in
semi-and-self supervised settings with a similar model budget, $Enc^t$ in LSAE
is also competitive with the state-of-the-art MoCo. By "re-mixing" the texture
and shape factors, we generate meaningful hybrid images that can augment the
training set. This data augmentation method can further improve COVOC
prediction performance. The improvement is consistent even when we directly
evaluate the Subset-1 trained model on Subset-2 without any fine-tuning.
- Abstract（参考訳）: 胸部X線写真(CXR)のラベル付きデータセットは,アノテーションのコストが高いため取得が困難である。
したがって、ラベル付きデータを持たないタスクの恩恵を受けるために、教師なしの方法で堅牢で転送可能な表現を学ぶことが望ましい。
例えば、COVID-19のような多くの肺疾患は、解剖学的構造ではなく肺組織のテクスチャの変化として現れる。
したがって, 構造変化の影響を受けずにテクスチャのみを研究することは, 下流の予測および予測モデリングタスクにとって有利であると仮定した。
本稿では,cxrの因子化表現を学習し,組織因子からテクスチャ因子を分離する,肺交換オートエンコーダ(lsae)を提案する。
特に、逆行訓練により、lsaeは、ある画像内の肺形状を保存しつつ、別の画像の肺組織を継承するハイブリッド画像を生成するように最適化される。
本研究では,ChestX-ray14 (N=112,120) 上での LSAE のテクスチャエンコーダ $Enc^t$ と COVOC (N=340 (Subset-1) + 53 (Subset-2) ) の有効性を示す。
どちらのデータセットでも、ベースラインのInception v3よりも77%小さいLSAEの$Enc^t$を微調整することで、最先端に到達または超えることができます。
さらに、同様のモデル予算を持つ半自己管理設定では、LSAEの$Enc^t$も最先端のMoCoと競合する。
テクスチャと形状因子を「再混合」することで、トレーニングセットを増強できる有意義なハイブリッド画像を生成する。
このデータ拡張方法はCOVOC予測性能をさらに向上させることができる。
微調整なしでSubset-2上でSubset-1のトレーニングモデルを直接評価しても、改善は一貫しています。
関連論文リスト
- Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - 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) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - Synthetic COVID-19 Chest X-ray Dataset for Computer-Aided Diagnosis [1.1501261942096426]
データセットは21,295個の合成新型コロナウイルスの胸部X線画像からなり、コンピュータによる診断に使用される。
これらの画像は、教師なしのドメイン適応アプローチによって生成され、高品質である。
論文 参考訳（メタデータ） (2021-06-17T18:39:15Z) - 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) - Synthesis of COVID-19 Chest X-rays using Unpaired Image-to-Image
Translation [6.22964000148682]
我々は、教師なしドメイン適応アプローチを用いて、新型コロナウイルスの胸部X線画像の最初のオープンデータセットを構築した。
各種ディープラーニングアーキテクチャを用いたCOVID-19検出では,大幅な性能向上が見られた。
公開されているベンチマークデータセットは、21,295の合成新型コロナウイルスの胸部X線画像で構成されています。
論文 参考訳（メタデータ） (2020-10-20T13:37:40Z) - Generating Realistic COVID19 X-rays with a Mean Teacher + Transfer
Learning GAN [0.0]
本稿では,新型コロナウイルスの胸部X線像を高品質に生成するMTT-GAN(Mean Teacher + Transfer GAN)について紹介する。
より正確なGANを作成するために、我々はKaggle Pneumonia X-Rayデータセットからの転送学習を採用している。
解析の結果,MTT-GAN はベースライン GAN よりも優れたX線画像を生成し,実際のX線と視覚的に比較できることがわかった。
論文 参考訳（メタデータ） (2020-09-26T00:05:06Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Automated diagnosis of COVID-19 with limited posteroanterior chest X-ray
images using fine-tuned deep neural networks [4.294650528226683]
新型コロナウイルスは肺炎に似た呼吸器症候群である。
科学者、研究者、医療専門家は、肺感染症の特定によって、新型コロナウイルスの迅速かつ自動化された診断に貢献している。
本稿では,様々な最先端ディープラーニング手法における非バイアスの微調整学習(トランスファーラーニング)に対するランダムなオーバーサンプリングと重み付きクラス損失関数アプローチを提案する。
論文 参考訳（メタデータ） (2020-04-23T10:24:34Z)
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。