論文の概要: CNN Attention Guidance for Improved Orthopedics Radiographic Fracture Classification

• arxiv url: http://arxiv.org/abs/2203.10690v1
• Date: Mon, 21 Mar 2022 01:07:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 05:35:32.712178
• Title: CNN Attention Guidance for Improved Orthopedics Radiographic Fracture Classification
• Title（参考訳）: 整形外科治療におけるCNN注意指導
• Authors: Zhibin Liao, Kewen Liao, Haifeng Shen, Marouska F. van Boxel, Jasper Prijs, Ruurd L. Jaarsma, Job N. Doornberg, Anton van den Hengel, Johan W. Verjans
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、骨折分類問題を解く能力により、近年、整形外科画像において大きな人気を集めている。 CNNに対する一般的な批判は、その不透明な学習と推論のプロセスであり、マシン診断とその後の臨床環境でのそのようなアルゴリズムの採用を信用することは困難である。 本稿では,人間による注意誘導によるCNNネットワークの正規化の有効性について検討する。
• 参考スコア（独自算出の注目度）: 37.07168182420638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional neural networks (CNNs) have gained significant popularity in orthopedic imaging in recent years due to their ability to solve fracture classification problems. A common criticism of CNNs is their opaque learning and reasoning process, making it difficult to trust machine diagnosis and the subsequent adoption of such algorithms in clinical setting. This is especially true when the CNN is trained with limited amount of medical data, which is a common issue as curating sufficiently large amount of annotated medical imaging data is a long and costly process. While interest has been devoted to explaining CNN learnt knowledge by visualizing network attention, the utilization of the visualized attention to improve network learning has been rarely investigated. This paper explores the effectiveness of regularizing CNN network with human-provided attention guidance on where in the image the network should look for answering clues. On two orthopedics radiographic fracture classification datasets, through extensive experiments we demonstrate that explicit human-guided attention indeed can direct correct network attention and consequently significantly improve classification performance. The development code for the proposed attention guidance is publicly available on GitHub.
• Abstract（参考訳）: 畳み込みニューラルネットワーク (cnns) は, 近年, 骨折分類問題を解く能力から, 整形外科的画像診断において大きな注目を集めている。 cnnsに対する一般的な批判は、不透明な学習と推論プロセスであり、機械の診断とそれに続く臨床でのアルゴリズムの採用を信用することが困難である。 これは、cnnが限られた量の医療データを訓練する場合に特に当てはまり、十分な量のアノテートされた医療画像データのキュレーションは、長くコストのかかるプロセスである。 ネットワークの注意を可視化することでCNNの学習知識を説明することに関心が向けられているが、ネットワーク学習を改善するための視覚的注意の活用はめったに研究されていない。 本稿では,cnnネットワークを人間による注意指導で正規化することの有効性について検討する。 2つの整形外科的x線骨折分類データセットについて, 広範囲な実験を通して, 明示的な人間誘導的注意がネットワークの注意を直視し, その結果, 分類性能を著しく向上できることを実証した。 提案された注意ガイドの開発コードはGitHubで公開されている。

関連論文リスト

• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• 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)
• Follow My Eye: Using Gaze to Supervise Computer-Aided Diagnosis [54.60796004113496]
  医用画像を読む放射線科医の眼球運動は,DNNベースのコンピュータ支援診断システム(CAD)を訓練するための新たな指導形態であることが実証された。 画像を読んでいるときに、放射線科医の視線を記録します。 視線情報は処理され、アテンション一貫性モジュールを介してDNNの注意を監督するために使用される。
  論文  参考訳（メタデータ） (2022-04-06T08:31:05Z)
• CapsNet for Medical Image Segmentation [8.612958742534673]
  畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおけるタスクの解決に成功している。 CNNは回転とアフィン変換に敏感であり、その成功は巨大なラベル付きデータセットに依存している。 CapsNetは、表現学習においてより堅牢性を達成した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2022-03-16T21:15:07Z)
• Gaze-Guided Class Activation Mapping: Leveraging Human Attention for Network Attention in Chest X-rays Classification [3.8637285238278434]
  本稿では,ネットワークアテンションの形成を直接制御するGG-CAM法について述べる。 GG-CAMは軽量(学習プロセスを制御するためのトレーニング可能なパラメータを3ドル追加)で、ほとんどの分類畳み込みニューラルネットワーク(CNN)に容易に適用可能なジェネリック拡張である。 比較実験により,GG-CAM拡張を用いた2つの標準CNNでは,分類性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2022-02-15T00:33:23Z)
• Leveraging Multiple CNNs for Triaging Medical Workflow [0.0]
  畳み込みニューラルネットワーク(CNN)は、非臨界画像と効果的に区別することができる。 重み付けされた皮膚疾患の画像のシステムは、クリティカルまたは非クリティカルとして再ラベルされた。 クリティカルインデックスは、バイナリクリティカル/非クリティカルラベルと比較して、より包括的な評価システムを提供する。
  論文  参考訳（メタデータ） (2021-09-27T03:59:23Z)
• CA-Net: Comprehensive Attention Convolutional Neural Networks for Explainable Medical Image Segmentation [20.848367370280695]
  我々は、CNNアーキテクチャにおける複数の注意点を幅広く活用し、より正確で説明可能な医療画像セグメンテーションのための総合的な注意ベースCNN(CA-Net)を提案する。 皮膚病変では平均セグメンテーションDiceスコアが87.77%から92.08%に有意に改善した。 モデルのサイズは、最先端のDeepLabv3+に比べて15倍小さくなり、精度も向上した。
  論文  参考訳（メタデータ） (2020-09-22T13:41:06Z)
• Distractor-Aware Neuron Intrinsic Learning for Generic 2D Medical Image Classifications [30.62607811479386]
  我々は、畳み込みニューラルネットワーク(CNN)が障害的干渉に弱いことを観察する。 本稿では,ニューロン固有の学習手法を提案することで,CNN特徴空間からの逸脱を探索する。 提案手法は最先端のアプローチに対して良好に機能する。
  論文  参考訳（メタデータ） (2020-07-20T09:59:04Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。