論文の概要: Spatially-Preserving Flattening for Location-Aware Classification of
Findings in Chest X-Rays
- arxiv url: http://arxiv.org/abs/2204.09676v1
- Date: Tue, 19 Apr 2022 22:12:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-22 13:00:33.434044
- Title: Spatially-Preserving Flattening for Location-Aware Classification of
Findings in Chest X-Rays
- Title（参考訳）: 胸部X線所見の位置認識のための空間保存フレーテニング
- Authors: Neha Srivathsa, Razi Mahmood, Tanveer Syeda-Mahmood
- Abstract要約: 分類前の平坦化段階において,位置・空間的等比性情報が失われるアーキテクチャを用いて,従来の微粒な異常分類のためのディープラーニングネットワークが位置特異的な発見を学習する。
本研究では,フラット化時に特徴マップの自動符号化により位置と形状情報を保存する空間保存型深層学習ネットワークを提案する。
その結果, マルチホスピタル型胸部X線データセットにおいて, 最先端手法による分類の精度向上が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest X-rays have become the focus of vigorous deep learning research in
recent years due to the availability of large labeled datasets. While
classification of anomalous findings is now possible, ensuring that they are
correctly localized still remains challenging, as this requires recognition of
anomalies within anatomical regions. Existing deep learning networks for
fine-grained anomaly classification learn location-specific findings using
architectures where the location and spatial contiguity information is lost
during the flattening step before classification. In this paper, we present a
new spatially preserving deep learning network that preserves location and
shape information through auto-encoding of feature maps during flattening. The
feature maps, auto-encoder and classifier are then trained in an end-to-end
fashion to enable location aware classification of findings in chest X-rays.
Results are shown on a large multi-hospital chest X-ray dataset indicating a
significant improvement in the quality of finding classification over
state-of-the-art methods.
- Abstract（参考訳）: 胸部X線は、大規模ラベル付きデータセットが利用可能であることから、近年、活発な深層学習研究の焦点となっている。
異常な発見の分類は可能であるが、解剖学的領域における異常の認識を必要とするため、適切に局所化されることを保証することは依然として困難である。
きめ細かな異常分類のための既存のディープラーニングネットワークは、分類前の平坦化ステップで位置と空間の連続性情報が失われるアーキテクチャを用いて、位置特異的な発見を学ぶ。
本稿では,フラット化時の特徴写像の自動符号化により位置と形状情報を保存する空間保存型深層学習ネットワークを提案する。
特徴マップ、オートエンコーダ、および分類器はエンドツーエンドで訓練され、胸部X線による所見の特定を可能にする。
その結果, マルチホスピタル型胸部X線データセットにおいて, 最先端手法による分類の精度向上が示された。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - DeepLOC: Deep Learning-based Bone Pathology Localization and
Classification in Wrist X-ray Images [1.45543311565555]
本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。
提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
論文 参考訳（メタデータ） (2023-08-24T12:06:10Z) - Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New
Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。
我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。
このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文 参考訳（メタデータ） (2022-08-29T04:34:15Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - 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) - Looking in the Right place for Anomalies: Explainable AI through
Automatic Location Learning [51.72146225623288]
我々は、予測された位置をオーバーラップすることを保証した、説明可能なAIへのアプローチを開発する。
ResNet101に基づく後続のアテンション誘導推論ネットワークにバイアスを与えるためにこの期待位置を使用することで、期待位置における異常の分離が実現される。
論文 参考訳（メタデータ） (2020-08-02T00:02:37Z) - Thoracic Disease Identification and Localization using Distance Learning
and Region Verification [15.851040584898463]
本稿では,画像三重項間の識別的特徴を学習し,領域の特徴を周期的に訓練し,注意領域が疾患の情報を含んでいるかどうかを検証する方法を提案する。
我々のモデルは、挑戦的なChestX-ray14データセット上で最先端の分類性能を達成でき、我々のアブレーション研究は、距離学習と領域検証の両方が全体的な分類性能に寄与していることを示している。
論文 参考訳（メタデータ） (2020-06-07T16:56:50Z) - 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) - Localization of Critical Findings in Chest X-Ray without Local
Annotations Using Multi-Instance Learning [0.0]
ディープラーニングモデルは説明責任の欠如に苦しむことが多い。
ディープラーニングモデルは、ピクセルレベルラベルやバウンディングボックス座標のような、局所的なアノテートされたトレーニングデータを必要とする。
本研究では,マルチインスタンス学習に基づく解釈可能なDLアルゴリズムを用いて,これらの欠点に対処する。
論文 参考訳（メタデータ） (2020-01-23T21:29:14Z)
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。