論文の概要: Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for
Attribute-Based Medical Image Diagnosis
- arxiv url: http://arxiv.org/abs/2208.09282v1
- Date: Fri, 19 Aug 2022 12:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-22 17:12:13.902586
- Title: Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for
Attribute-Based Medical Image Diagnosis
- Title(参考訳): 放射線科医としての診断 : 属性に基づく医用画像診断のためのハイブリッド神経確率推論
- Authors: Gangming Zhao, Quanlong Feng, Chaoqi Chen, Zhen Zhou, Yizhou Yu
- Abstract要約: 本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。
我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
- 参考スコア(独自算出の注目度): 42.624671531003166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During clinical practice, radiologists often use attributes, e.g.
morphological and appearance characteristics of a lesion, to aid disease
diagnosis. Effectively modeling attributes as well as all relationships
involving attributes could boost the generalization ability and verifiability
of medical image diagnosis algorithms. In this paper, we introduce a hybrid
neuro-probabilistic reasoning algorithm for verifiable attribute-based medical
image diagnosis. There are two parallel branches in our hybrid algorithm, a
Bayesian network branch performing probabilistic causal relationship reasoning
and a graph convolutional network branch performing more generic relational
modeling and reasoning using a feature representation. Tight coupling between
these two branches is achieved via a cross-network attention mechanism and the
fusion of their classification results. We have successfully applied our hybrid
reasoning algorithm to two challenging medical image diagnosis tasks. On the
LIDC-IDRI benchmark dataset for benign-malignant classification of pulmonary
nodules in CT images, our method achieves a new state-of-the-art accuracy of
95.36\% and an AUC of 96.54\%. Our method also achieves a 3.24\% accuracy
improvement on an in-house chest X-ray image dataset for tuberculosis
diagnosis. Our ablation study indicates that our hybrid algorithm achieves a
much better generalization performance than a pure neural network architecture
under very limited training data.
- Abstract(参考訳): 臨床実践中、放射線科医は疾患の診断を支援するために、例えば病変の形態的、外観的特徴などの属性をしばしば使用する。
属性と属性に関連するすべての関係を効果的にモデル化することで、医用画像診断アルゴリズムの一般化能力と妥当性を高めることができる。
本稿では,属性に基づく医用画像診断のためのハイブリッド型神経確率推論アルゴリズムを提案する。
ハイブリッドアルゴリズムには,確率的因果関係推論を行うベイズネットワーク分枝と,特徴表現を用いたより汎用的な関係モデリングと推論を行うグラフ畳み込みネットワーク分枝の2つの並列分枝がある。
これら2つの枝間の密結合は、ネットワーク間の注意機構とそれらの分類結果の融合によって達成される。
2つの難解な医用画像診断タスクにハイブリッド推論アルゴリズムを適用した。
CT画像における良性肺結節の良性分類のためのLIDC-IDRIベンチマークデータセットでは,新しい最先端精度95.36\%,AUC96.54\%を実現している。
また,結核診断のための胸部X線画像データセットの精度を3.24\%向上させた。
我々のアブレーション研究から,本アルゴリズムは非常に限られたトレーニングデータの下で,純粋なニューラルネットワークアーキテクチャよりもはるかに優れた一般化性能を実現できることが示された。
関連論文リスト
- Bridging the Diagnostic Divide: Classical Computer Vision and Advanced AI methods for distinguishing ITB and CD through CTE Scans [2.900410045439515]
放射線医の間では, 内皮-皮下脂肪比は, ITBとCDの鑑別における代用バイオマーカーとして認識されている。
本稿では,この比率計算を自動化するために,皮下脂肪の自動分離のための新しい2次元画像コンピュータビジョンアルゴリズムを提案する。
ITB, CD, 正常患者のサンプルを用いて, CTEスキャンのデータセットを用いてResNet10モデルを訓練し, 75%の精度を得た。
論文 参考訳(メタデータ) (2024-10-23T17:05:27Z) - Diagnosis and Pathogenic Analysis of Autism Spectrum Disorder Using Fused Brain Connection Graph [14.00990852115585]
マルチモーダル磁気共鳴画像(MRI)データを用いた自閉症スペクトラム障害(ASD)の診断モデルを提案する。
提案手法はDTIと機能MRIの脳接続データを統合し,融合グラフ分類にグラフニューラルネットワーク(GNN)を用いる。
両モード融合脳グラフ上で,ネットワークノードの中央性,計算度,部分グラフ,固有ベクトル中心性を解析し,ASDに関連付けられた病理領域を同定する。
論文 参考訳(メタデータ) (2024-09-22T01:23:46Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic
Joint Infection Diagnosis Using CT Images and Text [0.0]
補綴関節感染症(PJI)は重篤な合併症である。
現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。
本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
論文 参考訳(メタデータ) (2023-05-29T11:25:57Z) - 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) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Gastric histopathology image segmentation using a hierarchical
conditional random field [16.920864110707747]
新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。
HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
論文 参考訳(メタデータ) (2020-03-03T02:44:31Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳(メタデータ) (2020-02-26T17:10:48Z)
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。