論文の概要: Deep Pneumonia: Attention-Based Contrastive Learning for
Class-Imbalanced Pneumonia Lesion Recognition in Chest X-rays
- arxiv url: http://arxiv.org/abs/2207.11393v1
- Date: Sat, 23 Jul 2022 02:28:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 14:24:16.999719
- Title: Deep Pneumonia: Attention-Based Contrastive Learning for
Class-Imbalanced Pneumonia Lesion Recognition in Chest X-rays
- Title（参考訳）: 深部肺炎:胸部X線におけるクラス不均衡性肺炎病変認識のための注意ベースコントラストラーニング
- Authors: Xinxu Wei, Haohan Bai, Xianshi Zhang and Yongjie Li
- Abstract要約: Intention-based Contrastive Learning for Class-Imbalanced X-ray Pneumonia Lesion Recognitionを提案する。
提案手法は, 医師がより正確な肺炎の診断を行えるように, 信頼性の高いコンピュータ支援型肺炎診断システムとして利用することができる。
- 参考スコア（独自算出の注目度）: 11.229472535033558
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Computer-aided X-ray pneumonia lesion recognition is important for accurate
diagnosis of pneumonia. With the emergence of deep learning, the identification
accuracy of pneumonia has been greatly improved, but there are still some
challenges due to the fuzzy appearance of chest X-rays. In this paper, we
propose a deep learning framework named Attention-Based Contrastive Learning
for Class-Imbalanced X-Ray Pneumonia Lesion Recognition (denoted as Deep
Pneumonia). We adopt self-supervised contrastive learning strategy to pre-train
the model without using extra pneumonia data for fully mining the limited
available dataset. In order to leverage the location information of the lesion
area that the doctor has painstakingly marked, we propose mask-guided hard
attention strategy and feature learning with contrastive regulation strategy
which are applied on the attention map and the extracted features respectively
to guide the model to focus more attention on the lesion area where contains
more discriminative features for improving the recognition performance. In
addition, we adopt Class-Balanced Loss instead of traditional Cross-Entropy as
the loss function of classification to tackle the problem of serious class
imbalance between different classes of pneumonia in the dataset. The
experimental results show that our proposed framework can be used as a reliable
computer-aided pneumonia diagnosis system to assist doctors to better diagnose
pneumonia cases accurately.
- Abstract（参考訳）: 肺炎の診断にはコンピュータ支援型x線肺炎病変認識が重要である。
深層学習の出現に伴い, 肺炎の同定精度は大幅に向上したが, 胸部X線のファジィな出現により, 依然としていくつかの課題がある。
本稿では,クラス不均衡X線肺炎病変認識(Deep Pneumonia)のための注意ベースコントラスト学習フレームワークを提案する。
限定されたデータセットを完全にマイニングするために,肺炎データを余分に使わずにモデルを事前学習するために,自己教師付きコントラスト学習戦略を採用する。
医師が痛切にマークした病変領域の位置情報を活用するために,注意マップと抽出した特徴にそれぞれ適用される対照制御戦略を用いて,マスクガイド付きハードアテンション戦略と特徴学習を提案し,認識性能を向上させるためのより識別的な特徴を含む病変領域にモデルがより注意を向けるように指導する。
さらに,分類の損失関数として従来のクロスエントロピーではなく,クラスバランスの損失を採用し,データセット内の肺炎のクラス間の深刻なクラス不均衡の問題に対処した。
実験の結果,本フレームワークは,患者を正確に診断するための信頼性の高いコンピュータ支援肺炎診断システムとして有用であることが示唆された。
関連論文リスト
- FA-Net: A Fuzzy Attention-aided Deep Neural Network for Pneumonia Detection in Chest X-Rays [28.319405767795047]
肺炎(Pneumonia)は、細菌、真菌、ウイルスによって引き起こされる呼吸器感染症である。
早期診断は有効治療の確保と生存率の向上に不可欠である。
胸部X線画像を用いた自動肺炎検出のためのコンピュータ支援診断システムを開発した。
論文 参考訳（メタデータ） (2024-06-21T13:08:40Z) - Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-09-06T19:19:41Z) - Prediction of Pneumonia and COVID-19 Using Deep Neural Networks [0.0]
胸部X線画像から肺炎を予測する機械学習手法を提案する。
DenseNet121は他のモデルより優れており、精度は99.58%である。
論文 参考訳（メタデータ） (2023-08-20T21:26:37Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Pneumonia Detection in Chest X-Ray Images : Handling Class Imbalance [0.0]
世界中の人々が肺炎に罹患しているが、サハラ以南のアジアや南アジアでは死者が最も多い。
近年、有効なワクチンや説得力のある抗生物質の利用にかかわらず、肺炎の全体的な発生率と死亡率が上昇している。
肺炎の流行により、研究コミュニティは病気を正確にかつ迅速に検出し、診断し、分析するフレームワークを考案した。
論文 参考訳（メタデータ） (2023-01-20T09:17:39Z) - Improving Pneumonia Localization via Cross-Attention on Medical Images
and Reports [9.034599866957945]
本稿では,トレーニング中の医療報告のエンコード情報を活用し,より優れたローカライゼーションを実現するための,弱教師付き注目駆動型深層学習モデルを提案する。
また,本モデルでは,肺炎に関連する属性の分類を行い,管理のために医療報告から抽出した。
本稿では,胸部X線データを用いてモデルを探索,解析し,テキスト情報の導入が肺炎の局在を改善することを質的かつ定量的に示す。
論文 参考訳（メタデータ） (2021-10-06T22:47:48Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳（メタデータ） (2020-03-27T11:32:18Z)
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。