論文の概要: Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection

• arxiv url: http://arxiv.org/abs/2201.09563v1
• Date: Mon, 24 Jan 2022 10:08:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-25 17:18:38.744572
• Title: Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection
• Title（参考訳）: Debiasing PipelineはX線による肺結節検出のためのディープラーニングモデルの一般化を改善する
• Authors: Michael Horry, Subrata Chakraborty, Biswajeet Pradhan, Manoranjan Paul, Jing Zhu, Hui Wen Loh, Prabal Datta Barua, U. Rajendra Arharya
• Abstract要約: 肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。 胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。 進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
• 参考スコア（独自算出の注目度）: 11.228544549618068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer is the leading cause of cancer death worldwide and a good prognosis depends on early diagnosis. Unfortunately, screening programs for the early diagnosis of lung cancer are uncommon. This is in-part due to the at-risk groups being located in rural areas far from medical facilities. Reaching these populations would require a scaled approach that combines mobility, low cost, speed, accuracy, and privacy. We can resolve these issues by combining the chest X-ray imaging mode with a federated deep-learning approach, provided that the federated model is trained on homogenous data to ensure that no single data source can adversely bias the model at any point in time. In this study we show that an image pre-processing pipeline that homogenizes and debiases chest X-ray images can improve both internal classification and external generalization, paving the way for a low-cost and accessible deep learning-based clinical system for lung cancer screening. An evolutionary pruning mechanism is used to train a nodule detection deep learning model on the most informative images from a publicly available lung nodule X-ray dataset. Histogram equalization is used to remove systematic differences in image brightness and contrast. Model training is performed using all combinations of lung field segmentation, close cropping, and rib suppression operators. We show that this pre-processing pipeline results in deep learning models that successfully generalize an independent lung nodule dataset using ablation studies to assess the contribution of each operator in this pipeline. In stripping chest X-ray images of known confounding variables by lung field segmentation, along with suppression of signal noise from the bone structure we can train a highly accurate deep learning lung nodule detection algorithm with outstanding generalization accuracy of 89% to nodule samples in unseen data.
• Abstract（参考訳）: 肺がんは世界のがん死の主要な原因であり、良好な予後は早期診断に依存する。 残念ながら、早期肺癌診断のためのスクリーニングプログラムはまれである。 これは医療施設から遠く離れた農村部に位置するat-riskグループによるものである。 これらの人口に到達するためには、モビリティ、低コスト、スピード、正確性、プライバシを組み合わせたスケールドアプローチが必要となる。 これらの問題を、胸部x線イメージングモードと連合ディープラーニングアプローチを組み合わせることで解決することができる。フェデレーションモデルが均質なデータに基づいて訓練されており、単一のデータソースがどの時点でもモデルに不利なバイアスを負わないようにする。 本研究では,胸部x線画像の均質化とデバイザリングを行う画像前処理パイプラインにより,内部分類と外部一般化の両方を改善し,肺癌検診のための低コストでアクセス可能な深層学習型臨床システムへの道を開く。 進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。 ヒストグラム等化は、画像の明るさとコントラストの体系的な違いを取り除くために用いられる。 モデルトレーニングは、肺野セグメンテーション、クローズ・クロッピング、リブ抑制操作のあらゆる組み合わせを用いて行われる。 この前処理パイプラインは, 独立した肺結節データセットの一般化に成功し, このパイプラインにおける各オペレーターの寄与を評価するためのアブレーション研究を行った。 肺野セグメンテーションによる胸部X線画像の抽出と骨構造からの信号ノイズの抑制では, 未確認データ中の結節サンプルに対して89%の精度で, 高精度な深部学習肺結節検出アルゴリズムを訓練することができる。

関連論文リスト

• Full-resolution Lung Nodule Segmentation from Chest X-ray Images using Residual Encoder-Decoder Networks [21.724154440093216]
  肺癌はがん死の主要な原因であり、早期診断は陽性の予後と関連している。 コンピュータビジョンは、これまで人間の放射線学者を支援するために提案されてきた。 本研究では,効率的なエンコーダデコーダニューラルネットワークを用いた肺結節の局在解析を行った。
  論文  参考訳（メタデータ） (2023-07-13T04:05:39Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• 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)
• 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)
• X-ray Dissectography Improves Lung Nodule Detection [14.672019886848755]
  数個のX線投影から肺をデジタル的に解剖するために「X線ディストモグラフィー」が用いられる。 協調検出ネットワークは、肺結節を2次元の離断射影と3次元の物理的空間に局在させるように設計されている。
  論文  参考訳（メタデータ） (2022-03-24T15:18:57Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Development of a Multi-Task Learning V-Net for Pulmonary Lobar Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
  疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。 この影響は、肺葉を分節する機械学習手法の改善を動機づけた。 このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
  論文  参考訳（メタデータ） (2021-05-11T17:10:25Z)
• Transfer Learning by Cascaded Network to identify and classify lung nodules for cancer detection [3.5068701342301547]
  既存の肺結節同定のためのディープラーニングアーキテクチャは、多数のパラメータを持つ複雑なアーキテクチャを用いていた。 本研究はCT画像に基づいて良性または悪性の肺結節を正確に分類・分類できるカスケードアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-09-24T10:35:46Z)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)
• 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)

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。