論文の概要: Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance

• arxiv url: http://arxiv.org/abs/2207.00251v1
• Date: Fri, 1 Jul 2022 07:50:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 01:10:06.656770
• Title: Computer-aided Tuberculosis Diagnosis with Attribute Reasoning Assistance
• Title（参考訳）: 属性推論支援による結核診断支援
• Authors: Chengwei Pan, Gangming Zhao, Junjie Fang, Baolian Qi, Jiaheng Liu, Chaowei Fang, Dingwen Zhang, Jinpeng Li, and Yizhou Yu
• Abstract要約: 新しい大規模結核(TB)胸部X線データセット(TBX-Att)を提案する。 属性情報を利用してTBの分類とローカライズを行うための属性支援弱教師付きフレームワークを構築した。 提案モデルはTBX-Attデータセットで評価され,今後の研究の確かなベースラインとして機能する。
• 参考スコア（独自算出の注目度）: 58.01014026139231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although deep learning algorithms have been intensively developed for computer-aided tuberculosis diagnosis (CTD), they mainly depend on carefully annotated datasets, leading to much time and resource consumption. Weakly supervised learning (WSL), which leverages coarse-grained labels to accomplish fine-grained tasks, has the potential to solve this problem. In this paper, we first propose a new large-scale tuberculosis (TB) chest X-ray dataset, namely the tuberculosis chest X-ray attribute dataset (TBX-Att), and then establish an attribute-assisted weakly-supervised framework to classify and localize TB by leveraging the attribute information to overcome the insufficiency of supervision in WSL scenarios. Specifically, first, the TBX-Att dataset contains 2000 X-ray images with seven kinds of attributes for TB relational reasoning, which are annotated by experienced radiologists. It also includes the public TBX11K dataset with 11200 X-ray images to facilitate weakly supervised detection. Second, we exploit a multi-scale feature interaction model for TB area classification and detection with attribute relational reasoning. The proposed model is evaluated on the TBX-Att dataset and will serve as a solid baseline for future research. The code and data will be available at https://github.com/GangmingZhao/tb-attribute-weak-localization.
• Abstract（参考訳）: 深層学習アルゴリズムはコンピュータ支援結核診断(CTD)のために開発されているが、主に注意深い注釈付きデータセットに依存しており、多くの時間とリソース消費をもたらす。 粗粒度ラベルを利用してきめ細かなタスクを達成するweakly supervised learning (wsl)は、この問題を解決できる可能性がある。 本稿では,まず,結核胸部X線属性データセット(TBX-Att)の大規模胸部X線データセットを提案するとともに,属性情報を利用して属性情報の分類とローカライズを行うための属性支援弱監視フレームワークを構築し,WSLシナリオにおける監視の欠如を克服する。 具体的には、tbx-attデータセットには2000のx線画像が含まれており、tb関係推論には7種類の属性がある。 また、TBX11Kデータセットと11200のX線画像が含まれており、弱い教師付き検出を容易にする。 第2に,属性関係推論を用いたtb領域の分類と検出にマルチスケール特徴間相互作用モデルを利用する。 提案モデルはTBX-Attデータセットで評価され,今後の研究の基盤となる。 コードとデータはhttps://github.com/gangmingzhao/tb-attribute-weak-localizationで入手できる。

関連論文リスト

• CXPMRG-Bench: Pre-training and Benchmarking for X-ray Medical Report Generation on CheXpert Plus Dataset [14.911363203907008]
  X線画像に基づく医療報告生成は、診断上の負担と患者待ち時間を著しく削減することができる。 我々は、CheXpert Plusデータセット上で、既存の主流X線レポート生成モデルと大規模言語モデル(LLM)の包括的なベンチマークを行う。 自己教師付き自己回帰生成やX線レポートによるコントラスト学習を含む,多段階事前学習戦略を用いたX線画像生成のための大規模モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:07:01Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• A Structure-Aware Relation Network for Thoracic Diseases Detection and Segmentation [63.76299770460766]
  胸部x線画像の自動診断には胸部疾患や異常のインスタンスレベル検出と分割が不可欠である。 Mask R-CNNを拡張した構造認識関係ネットワーク(SAR-Net)を提案する。 ChestX-Detは、インスタンスレベルのアノテーション(ボックスとマスク)を備えた胸部X線データセットです。
  論文  参考訳（メタデータ） (2021-04-21T02:57:02Z)
• 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。