論文の概要: Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs
- arxiv url: http://arxiv.org/abs/2202.03583v1
- Date: Tue, 8 Feb 2022 00:43:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 04:05:02.526008
- Title: Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs
- Title(参考訳): 胸部X線写真を用いたDense Convolutional Networkを用いた胸部疾患のマルチラベル分類
- Authors: Dipkamal Bhusal, Dr. Sanjeeb Prasad Panday
- Abstract要約: 本研究は胸部X線多彩な疾患診断モデルを提案する。
Dense Convolutional Neural Network (DenseNet)を用いて、診断システムは高い分類予測を得ることができた。
このモデルでは、心肥大のAUCスコアが0.896で、NoduleのAUCスコアが0.655であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chest X-ray images are one of the most common medical diagnosis techniques to
identify different thoracic diseases. However, identification of pathologies in
X-ray images requires skilled manpower and are often cited as a time-consuming
task with varied level of interpretation, particularly in cases where the
identification of disease only by images is difficult for human eyes. With
recent achievements of deep learning in image classification, its application
in disease diagnosis has been widely explored. This research project presents a
multi-label disease diagnosis model of chest x-rays. Using Dense Convolutional
Neural Network (DenseNet), the diagnosis system was able to obtain high
classification predictions. The model obtained the highest AUC score of 0.896
for condition Cardiomegaly and the lowest AUC score for Nodule, 0.655. The
model also localized the parts of the chest radiograph that indicated the
presence of each pathology using GRADCAM, thus contributing to the model
interpretability of a deep learning algorithm.
- Abstract(参考訳): 胸部X線像は胸部疾患を識別する最も一般的な診断手法の1つである。
しかしながら、X線画像における病理の同定には熟練した人力が必要であり、特に画像のみによる疾患の特定が人目で難しい場合において、解釈のレベルが異なる時間のかかる課題としてしばしば引用される。
近年,画像分類における深層学習の成果により,その病気診断への応用が広く研究されている。
本研究は胸部X線多彩な疾患診断モデルを提案する。
Dense Convolutional Neural Network (DenseNet)を用いて、診断システムは高い分類予測を得ることができた。
このモデルでは、心肥大のAUCスコアが0.896、NoduleのAUCスコアが0.655であった。
また、GRADCAMを用いて各病理の存在を示す胸部X線写真の一部を局所化し、深層学習アルゴリズムのモデル解釈可能性に寄与した。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - Reconstruction of Patient-Specific Confounders in AI-based Radiologic
Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。
DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。
本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文 参考訳(メタデータ) (2023-09-29T10:38:08Z) - Virchow: A Million-Slide Digital Pathology Foundation Model [34.38679208931425]
本稿では,コンピュータ病理学の基礎モデルであるVirchowを紹介する。
Virchowは、150万のヘマトキシリンとエオシン染色されたスライドイメージに基づいて、632万のパラメータをトレーニングしたビジョントランスフォーマーモデルである。
論文 参考訳(メタデータ) (2023-09-14T15:09:35Z) - Evolving Tsukamoto Neuro Fuzzy Model for Multiclass Covid 19
Classification with Chest X Ray Images [2.609784101826762]
本稿では,Covid 19の検出のための機械学習ベースのフレームワークを提案する。
提案モデルでは,コビッド19病の同定と識別に塚本神経ファジィ推論ネットワークを用いている。
提案したモデルは精度98.51%、感度98.35%、特異度98.08%、F1スコア98.17%を達成する。
論文 参考訳(メタデータ) (2023-05-17T17:55:45Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z)
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。