Fugu-MT 論文翻訳(概要): A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification

論文の概要: A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification

arxiv url: http://arxiv.org/abs/2203.15060v1
Date: Mon, 28 Mar 2022 19:58:47 GMT
ステータス: 処理完了
システム内更新日: 2022-04-01 09:49:11.692360
Title: A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification
Title（参考訳）: 疾患分類のためのフォローアップX線系列を用いた深層学習手法
Authors: Sairamvinay Vijayaraghavan, David Haddad, Shikun Huang, Seongwoo Choi
Abstract要約: 深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者の中心である。最新の胸部X線像3例の追跡歴を含む患者のX線像は, 疾患分類において良好な成績を示すと推定された。
参考スコア（独自算出の注目度）: 3.3345134768053635
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The ability to predict lung and heart based diseases using deep learning techniques is central to many researchers, particularly in the medical field around the world. In this paper, we present a unique outlook of a very familiar problem of disease classification using X-rays. We present a hypothesis that X-rays of patients included with the follow up history of their most recent three chest X-ray images would perform better in disease classification in comparison to one chest X-ray image input using an internal CNN to perform feature extraction. We have discovered that our generic deep learning architecture which we propose for solving this problem performs well with 3 input X ray images provided per sample for each patient. In this paper, we have also established that without additional layers before the output classification, the CNN models will improve the performance of predicting the disease labels for each patient. We have provided our results in ROC curves and AUROC scores. We define a fresh approach of collecting three X-ray images for training deep learning models, which we have concluded has clearly improved the performance of the models. We have shown that ResNet, in general, has a better result than any other CNN model used in the feature extraction phase. With our original approach to data pre-processing, image training, and pre-trained models, we believe that the current research will assist many medical institutions around the world, and this will improve the prediction of patients' symptoms and diagnose them with more accurate cure.
Abstract（参考訳）: 深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者、特に世界中の医学分野の中心である。本稿では,X線を用いた疾患分類の難解な問題点について考察する。我々は,最新の胸部X線画像の追跡履歴を含む患者のX線は,内部CNNを用いて入力した胸部X線画像と比較して,疾患分類の面では良好である,という仮説を提示する。この問題を解決するために提案する汎用的な深層学習アーキテクチャが,各患者に対してサンプル毎に3つの入力x線画像で良好に機能することを発見した。本報告では,cnnモデルでは,出力分類の前に追加の層がなければ,各患者に対する疾患ラベルの予測性能が向上することを示す。我々はROC曲線とAUROCスコアで結果を提供してきた。深層学習モデルの訓練のために3つのX線画像を集める新しいアプローチを定義し,そのモデルの性能を明らかに改善した。我々は、ResNetが機能抽出フェーズで使われる他のどのCNNモデルよりも良い結果が得られることを示した。データ前処理、イメージトレーニング、トレーニング済みモデルに対する当社のアプローチにより、現在の研究は世界中の多くの医療機関を支援し、患者の症状の予測を改善し、より正確な治療法で診断すると考えている。

関連論文リスト

SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
論文参考訳（メタデータ） (2023-11-13T21:07:07Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
Artificial Intelligence for Automatic Detection and Classification Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文参考訳（メタデータ） (2022-11-14T03:51:12Z)
Improving Chest X-Ray Classification by RNN-based Patient Monitoring [0.34998703934432673]
我々は、診断に関する情報がCNNに基づく画像分類モデルを改善する方法について分析する。追加の患者履歴情報に基づいてトレーニングされたモデルが、情報のないトレーニングを受けたモデルよりも有意なマージンで優れていることを示す。
論文参考訳（メタデータ） (2022-10-28T11:47:15Z)
Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文参考訳（メタデータ） (2021-05-20T13:13:29Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
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)
A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文参考訳（メタデータ） (2020-11-02T18:16:17Z)
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)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)

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。