論文の概要: Deep learning for understanding multilabel imbalanced Chest X-ray datasets

• arxiv url: http://arxiv.org/abs/2207.14408v1
• Date: Thu, 28 Jul 2022 23:19:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:38:05.897477
• Title: Deep learning for understanding multilabel imbalanced Chest X-ray datasets
• Title（参考訳）: マルチラベル不均衡ケストX線データセットの深層学習
• Authors: Helena Liz, Javier Huertas-Tato, Manuel S\'anchez-Monta\~n\'es, Javier Del Ser, David Camacho
• Abstract要約: 本稿では,不均衡な胸部X線データセットに対するディープラーニング手法を提案する。 現在使用されていないPadChestデータセットと、ヒートマップに基づいた新しいeXplainable AIテクニックのベースラインを確立する。 特にラベルの数を考えると,本システムの結果は有望である。
• 参考スコア（独自算出の注目度）: 7.885207996427683
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Over the last few years, convolutional neural networks (CNNs) have dominated the field of computer vision thanks to their ability to extract features and their outstanding performance in classification problems, for example in the automatic analysis of X-rays. Unfortunately, these neural networks are considered black-box algorithms, i.e. it is impossible to understand how the algorithm has achieved the final result. To apply these algorithms in different fields and test how the methodology works, we need to use eXplainable AI techniques. Most of the work in the medical field focuses on binary or multiclass classification problems. However, in many real-life situations, such as chest X-rays, radiological signs of different diseases can appear at the same time. This gives rise to what is known as "multilabel classification problems". A disadvantage of these tasks is class imbalance, i.e. different labels do not have the same number of samples. The main contribution of this paper is a Deep Learning methodology for imbalanced, multilabel chest X-ray datasets. It establishes a baseline for the currently underutilised PadChest dataset and a new eXplainable AI technique based on heatmaps. This technique also includes probabilities and inter-model matching. The results of our system are promising, especially considering the number of labels used. Furthermore, the heatmaps match the expected areas, i.e. they mark the areas that an expert would use to make the decision.
• Abstract（参考訳）: ここ数年、畳み込みニューラルネットワーク(cnns)は、x線の自動分析のような分類問題において特徴を抽出する能力と優れた性能のおかげで、コンピュータビジョンの分野を支配してきた。 残念ながら、これらのニューラルネットワークはブラックボックスアルゴリズムと見なされており、アルゴリズムが最終的な結果をどのように達成したかを理解することは不可能である。 これらのアルゴリズムをさまざまな分野に適用し、方法論がどのように機能するかをテストするには、eXplainable AI技術を使用する必要があります。 医療分野におけるほとんどの仕事は、バイナリやマルチクラス分類の問題に焦点を当てている。 しかし、胸部X線のような多くの現実の状況では、異なる疾患の放射線学的兆候が同時に現れることがある。 これは「マルチラベル分類問題」と呼ばれる問題を引き起こす。 これらのタスクの欠点はクラスの不均衡であり、異なるラベルは同じ数のサンプルを持っていない。 本論文の主な貢献は,不均衡な胸部X線データセットのディープラーニング手法である。 現在使用されていないPadChestデータセットと、ヒートマップに基づいた新しいeXplainable AIテクニックのベースラインを確立する。 この技術は確率とモデル間マッチングも含む。 本システムの結果は,特にラベル数を考慮すると有望である。 さらに、ヒートマップは、専門家が決定に使用する領域をマークする、期待される領域にマッチする。

関連論文リスト

• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• Debiasing Deep Chest X-Ray Classifiers using Intra- and Post-processing Methods [9.152759278163954]
  本研究では、すでに訓練済みのニューラルネットワークを微調整および刈り取ることに基づく2つの新しいプロセス内処理手法を提案する。 我々の知る限りでは、胸部X線写真における脱バイアス法の研究としては、これが最初の試みの1つである。
  論文  参考訳（メタデータ） (2022-07-26T10:18:59Z)
• Multi-Label Generalized Zero Shot Learning for the Classification of Disease in Chest Radiographs [0.7734726150561088]
  胸部X線画像の複数の病変を同時に予測できるゼロショット学習ネットワークを提案する。 ネットワークはエンドツーエンドのトレーニングが可能で、オフライン機能抽出器の独立した事前トレーニングは不要である。 我々のネットワークは、リコール、精度、f1スコア、受信機動作特性曲線の領域において、2つの強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-07-14T09:04:20Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Matching the Clinical Reality: Accurate OCT-Based Diagnosis From Few Labels [2.891413712995642]
  ラベルのないデータはクリニックで多用されることが多く、半教師付き学習に基づく機械学習手法がこの設定に適している。 最近提案されたMixMatchアルゴリズムとFixMatchアルゴリズムは有用な表現を抽出する有望な結果を証明している。 いずれのアルゴリズムも、ラベル付きデータの全ての部分において、転送学習ベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-10-23T11:47:28Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Analysing Risk of Coronary Heart Disease through Discriminative Neural Networks [18.124078832445967]
  診断のような重要なアプリケーションでは、このクラス不均衡は見過ごせない。 我々は、識別モデルと対照的な損失を用いて、ニューラルネットワークを介して、このクラス不均衡をどう扱えるかを説明する。
  論文  参考訳（メタデータ） (2020-06-17T06:30:00Z)
• 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。