論文の概要: Localization supervision of chest x-ray classifiers using label-specific eye-tracking annotation

• arxiv url: http://arxiv.org/abs/2207.09771v1
• Date: Wed, 20 Jul 2022 09:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 14:09:06.938743
• Title: Localization supervision of chest x-ray classifiers using label-specific eye-tracking annotation
• Title（参考訳）: ラベル特異的アイトラッキングアノテーションを用いた胸部x線分類器の局在制御
• Authors: Ricardo Bigolin Lanfredi, Joyce D. Schroeder, Tolga Tasdizen
• Abstract要約: 眼球追跡(ET)データは、放射線科医の診療ワークフローにおいて、非侵襲的な方法で収集することができる。 我々は、CXRレポートを作成してCNNを訓練する際、放射線技師から記録されたETデータを使用します。 ETデータから,キーワードの指示に関連付けて抽出し,異常の局所化を監督する。
• 参考スコア（独自算出の注目度）: 4.8035104863603575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNNs) have been successfully applied to chest x-ray (CXR) images. Moreover, annotated bounding boxes have been shown to improve the interpretability of a CNN in terms of localizing abnormalities. However, only a few relatively small CXR datasets containing bounding boxes are available, and collecting them is very costly. Opportunely, eye-tracking (ET) data can be collected in a non-intrusive way during the clinical workflow of a radiologist. We use ET data recorded from radiologists while dictating CXR reports to train CNNs. We extract snippets from the ET data by associating them with the dictation of keywords and use them to supervise the localization of abnormalities. We show that this method improves a model's interpretability without impacting its image-level classification.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は胸部X線(CXR)画像にうまく応用されている。 さらに、注釈付きバウンディングボックスは、局所化異常の観点からCNNの解釈可能性を向上させることが示されている。 しかし、バウンディングボックスを含む比較的小さなCXRデータセットのみが利用可能であり、収集は非常にコストがかかる。 また、放射線科医の診療ワークフローにおいて、眼球追跡(ET)データを非侵襲的に収集することができる。 我々は、CXRレポートを作成してCNNを訓練する際、放射線技師から記録されたETデータを使用する。 etデータからキーワードのディクテーションと関連付けてスニペットを抽出し,そのスニペットを用いて異常の局所化を監督する。 本手法は,画像レベルの分類に影響を与えることなく,モデルの解釈可能性を向上させる。

関連論文リスト

• OOOE: Only-One-Object-Exists Assumption to Find Very Small Objects in Chest Radiographs [9.226276232505734]
  管や様々な解剖学的構造のような多くの異物は、胸部X線全体と比較して小さい。 我々は,胸部X線写真中の小さなランドマークを局所化する深層ネットワークの能力を向上させるため,単純で効果的なOOOE(Only-One-Object-Exists)の仮定を提案する。
  論文  参考訳（メタデータ） (2022-10-13T07:37:33Z)
• 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)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• 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)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• REFLACX, a dataset of reports and eye-tracking data for localization of abnormalities in chest x-rays [22.548782080717096]
  アイトラッカーを用いて暗黙の局所化データを収集し、視線位置とマイクを捕捉し、レポートの予測をキャプチャする手法を提案する。 得られたREFLACXデータセットは5人の放射線学者によってラベル付けされ、3,032個のアイトラッキングデータとタイムスタンプによるレポートの書き起こしを含む。
  論文  参考訳（メタデータ） (2021-09-29T04:14:16Z)
• RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT Denoising [10.101822678034393]
  低用量CT(LDCT)は早期の肺癌やCOVID-19のスクリーニングに広く採用されている。 LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。 LDCT画像を読み取る放射線科医のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-15T05:59:01Z)
• 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)

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。