論文の概要: SwinCheX: Multi-label classification on chest X-ray images with
transformers
- arxiv url: http://arxiv.org/abs/2206.04246v1
- Date: Thu, 9 Jun 2022 03:17:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-11 02:15:52.993319
- Title: SwinCheX: Multi-label classification on chest X-ray images with
transformers
- Title（参考訳）: SwinCheX:トランスを用いた胸部X線画像のマルチラベル分類
- Authors: Sina Taslimi, Soroush Taslimi, Nima Fathi, Mohammadreza Salehi,
Mohammad Hossein Rohban
- Abstract要約: 本稿では,Swin Transformer をバックボーンとしたマルチラベル分類深層モデルを提案する。
我々は「Chest X-ray14」とよばれる最も広く使われている、かつ最大のX線データセットの1つについて、我々のモデルを評価する。
- 参考スコア（独自算出の注目度）: 4.549831511476249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: According to the considerable growth in the avail of chest X-ray images in
diagnosing various diseases, as well as gathering extensive datasets, having an
automated diagnosis procedure using deep neural networks has occupied the minds
of experts. Most of the available methods in computer vision use a CNN backbone
to acquire high accuracy on the classification problems. Nevertheless, recent
researches show that transformers, established as the de facto method in NLP,
can also outperform many CNN-based models in vision. This paper proposes a
multi-label classification deep model based on the Swin Transformer as the
backbone to achieve state-of-the-art diagnosis classification. It leverages
Multi-Layer Perceptron, also known as MLP, for the head architecture. We
evaluate our model on one of the most widely-used and largest x-ray datasets
called "Chest X-ray14," which comprises more than 100,000 frontal/back-view
images from over 30,000 patients with 14 famous chest diseases. Our model has
been tested with several number of MLP layers for the head setting, each
achieves a competitive AUC score on all classes. Comprehensive experiments on
Chest X-ray14 have shown that a 3-layer head attains state-of-the-art
performance with an average AUC score of 0.810, compared to the former SOTA
average AUC of 0.799. We propose an experimental setup for the fair
benchmarking of existing methods, which could be used as a basis for the future
studies. Finally, we followed up our results by confirming that the proposed
method attends to the pathologically relevant areas of the chest.
- Abstract（参考訳）: 様々な疾患の診断における胸部X線画像の利用率の増大と、広範囲のデータセットの収集により、深層ニューラルネットワークを用いた自動診断が専門家の心をつかんでいる。
コンピュータビジョンで利用可能なほとんどの方法はCNNのバックボーンを使って分類問題を高精度に取得する。
しかしながら、最近の研究では、NLPにおけるデファクト法として確立されたトランスフォーマーは、視覚における多くのCNNベースのモデルよりも優れていることが示されている。
本稿では,Swin Transformer をバックボーンとしたマルチラベル分類深層モデルを提案する。
ヘッドアーキテクチャにはMLP(Multi-Layer Perceptron)を利用する。
胸部疾患14例3万名以上の前頭/背部画像から得られたX線画像から,最も広く利用されているX線データセットであるChest X-ray14の評価を行った。
我々のモデルはヘッド設定のために複数のMLP層でテストされ、各クラスでAUCスコアが競い合っている。
Chest X-ray14の総合的な実験により、3層ヘッドが平均AUCスコア0.810の最先端性能を達成することが示された。
本稿では,今後の研究の基盤となる既存手法の公正なベンチマークのための実験的なセットアップを提案する。
最後に,提案法が胸部の病理的関連領域に適合していることを確認し,その結果を追跡した。
関連論文リスト
- Pneumonia Detection on chest X-ray images Using Ensemble of Deep
Convolutional Neural Networks [7.232767871756102]
本稿では, 胸部X線画像の診断過程を簡略化するために, EL(Ensemble Learning) と呼ばれるコンピュータ支援型肺炎分類法を提案する。
提案手法は,CNNモデルをスクラッチからトレーニングする代わりに,近年,多くの医療タスクのパフォーマンス向上に採用されているCNNモデルである畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)モデルに基づく。
提案したELアプローチは他の最先端手法よりも優れており、テスト段階では93.91%、F1スコアは93.88%の精度が得られる。
論文 参考訳（メタデータ） (2023-12-13T08:28:21Z) - Auto-outlier Fusion Technique for Chest X-ray classification with
Multi-head Attention Mechanism [4.416665886445889]
胸部X線は、様々な肺疾患の診断と検出に最も広く用いられる放射線検査の1つである。
国立衛生研究所(NIH)は、肺疾患を分析し予測するための深層学習コミュニティを確立するために、広範なデータベースであるChestX-ray8とChestXray14を提供している。
論文 参考訳（メタデータ） (2022-11-15T09:35:49Z) - 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) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。
ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文 参考訳（メタデータ） (2022-05-25T12:01:03Z) - 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) - A Deep Learning Technique using a Sequence of Follow Up X-Rays for
Disease classification [3.3345134768053635]
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。
論文 参考訳（メタデータ） (2022-03-28T19:58:47Z) - 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) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - 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) - 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) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳（メタデータ） (2020-06-03T22:55:53Z)
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。