論文の概要: Structure Regularized Attentive Network for Automatic Femoral Head
Necrosis Diagnosis and Localization
- arxiv url: http://arxiv.org/abs/2208.10695v1
- Date: Tue, 23 Aug 2022 02:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:13:40.929280
- Title: Structure Regularized Attentive Network for Automatic Femoral Head
Necrosis Diagnosis and Localization
- Title（参考訳）: 頭壊死自動診断と局所化のための構造正規化注意ネットワーク
- Authors: Lingfeng Li, Huaiwei Cong, Gangming Zhao, Junran Peng, Zheng Zhang,
and Jinpeng Li
- Abstract要約: 本稿では,パッチアテンションに基づく分類中の壊死領域を強調するために,構造正規化ネットワーク注意(SRANet)を提案する。
SRANetは画像のチャンク内の特徴を抽出し、特徴を集約するアテンション機構を介して重みを求め、それらを構造正規化器によって制約し、一般化を改善する。
SRANet は AVNFH 分類において CNN よりも優れており, 病変の局所化や診断支援のための情報の提供も可能である。
- 参考スコア（独自算出の注目度）: 12.95252724282746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, several works have adopted the convolutional neural network
(CNN) to diagnose the avascular necrosis of the femoral head (AVNFH) based on
X-ray images or magnetic resonance imaging (MRI). However, due to the tissue
overlap, X-ray images are difficult to provide fine-grained features for early
diagnosis. MRI, on the other hand, has a long imaging time, is more expensive,
making it impractical in mass screening. Computed tomography (CT) shows
layer-wise tissues, is faster to image, and is less costly than MRI. However,
to our knowledge, there is no work on CT-based automated diagnosis of AVNFH. In
this work, we collected and labeled a large-scale dataset for AVNFH ranking. In
addition, existing end-to-end CNNs only yields the classification result and
are difficult to provide more information for doctors in diagnosis. To address
this issue, we propose the structure regularized attentive network (SRANet),
which is able to highlight the necrotic regions during classification based on
patch attention. SRANet extracts features in chunks of images, obtains weight
via the attention mechanism to aggregate the features, and constrains them by a
structural regularizer with prior knowledge to improve the generalization.
SRANet was evaluated on our AVNFH-CT dataset. Experimental results show that
SRANet is superior to CNNs for AVNFH classification, moreover, it can localize
lesions and provide more information to assist doctors in diagnosis. Our codes
are made public at https://github.com/tomas-lilingfeng/SRANet.
- Abstract（参考訳）: 近年,X線画像やMRIに基づいて,大腿骨頭壊死症(AVNFH)の診断に畳み込みニューラルネットワーク(CNN)を採用している研究がいくつかある。
しかし, 組織重複のため, X線像は早期診断のために微細な特徴を提供するのが困難である。
一方、MRIは長い画像撮影時間を持ち、より高価であり、大量検診では実用的ではない。
CT(Computed tomography)は, 層状組織を呈し, 画像の高速化, MRIよりも低コストである。
しかし,avnfhのctベース自動診断に関する研究は行われていない。
本研究では,AVNFHランキングの大規模データセットを収集,ラベル付けした。
さらに、既存のエンドツーエンドCNNは分類結果しか得られず、診断における医師により多くの情報を提供するのは難しい。
この問題に対処するため,我々は,パッチの注意に基づく分類中にネクロティック領域を強調できる構造正規化注意ネットワーク (sranet) を提案する。
SRANetは画像のチャンク内の特徴を抽出し、特徴を集約するアテンション機構を介して重みを求め、それらを構造正規化器によって制約し、一般化を改善する。
SRANetをAVNFH-CTデータセットで評価した。
SRANet は AVNFH 分類において CNN よりも優れており, 病変の局所化や診断支援のための情報の提供も可能である。
私たちのコードはhttps://github.com/tomas-lilingfeng/sranetで公開されています。
関連論文リスト
- NEURO HAND: A weakly supervised Hierarchical Attention Network for
interpretable neuroimaging abnormality Detection [0.516706940452805]
臨床病院で得られたMRIスキャンを用いて, 異常検出のための階層的注意ネットワークを提案する。
提案するネットワークは,非体積データ(高分解能MRIスライススタック)に適しており,二値検査レベルのラベルからトレーニングすることができる。
論文 参考訳（メタデータ） (2023-11-06T09:55:19Z) - 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) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - 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) - 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) - Fusion of convolution neural network, support vector machine and Sobel
filter for accurate detection of COVID-19 patients using X-ray images [14.311213877254348]
新型コロナウイルス(COVID-19)は現在、世界中で流行する最も一般的な伝染病である。
新型コロナウイルスの感染拡大を防ぐために, 迅速診断のための臨床手順とともに, 自動診断システムを使用することが不可欠である。
本研究では, コンボリューションニューラルネットワーク(CNN), サポートベクターマシン(SVM), ソベルフィルタを融合させて, X線画像を用いたCOVID-19の検出を提案する。
論文 参考訳（メタデータ） (2021-02-13T08:08:36Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳（メタデータ） (2020-11-02T18:16:17Z) - Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。
本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。
具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
論文 参考訳（メタデータ） (2020-03-15T11:46:00Z)
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。