論文の概要: Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study

• arxiv url: http://arxiv.org/abs/2208.13365v1
• Date: Mon, 29 Aug 2022 04:34:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-30 13:56:54.344181
• Title: Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study
• Title（参考訳）: 胸部X線による胸部疾患の長期分類 : 新しいベンチマーク研究
• Authors: Gregory Holste, Song Wang, Ziyu Jiang, Thomas C. Shen, George Shih, Ronald M. Summers, Yifan Peng, Zhangyang Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 75.05049024176584
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Imaging exams, such as chest radiography, will yield a small set of common findings and a much larger set of uncommon findings. While a trained radiologist can learn the visual presentation of rare conditions by studying a few representative examples, teaching a machine to learn from such a "long-tailed" distribution is much more difficult, as standard methods would be easily biased toward the most frequent classes. In this paper, we present a comprehensive benchmark study of the long-tailed learning problem in the specific domain of thorax diseases on chest X-rays. We focus on learning from naturally distributed chest X-ray data, optimizing classification accuracy over not only the common "head" classes, but also the rare yet critical "tail" classes. To accomplish this, we introduce a challenging new long-tailed chest X-ray benchmark to facilitate research on developing long-tailed learning methods for medical image classification. The benchmark consists of two chest X-ray datasets for 19- and 20-way thorax disease classification, containing classes with as many as 53,000 and as few as 7 labeled training images. We evaluate both standard and state-of-the-art long-tailed learning methods on this new benchmark, analyzing which aspects of these methods are most beneficial for long-tailed medical image classification and summarizing insights for future algorithm design. The datasets, trained models, and code are available at https://github.com/VITA-Group/LongTailCXR.
• Abstract（参考訳）: 胸部x線撮影などの画像検査では、ごく少数の共通所見と、はるかに大きな発見が得られます。 訓練された放射線科医は、いくつかの代表的な例を研究することで、希少な状態の視覚的な表現を学ぶことができるが、そのような「長い尾」分布から学ぶように機械に教えることは、より困難である。 本稿では胸部X線上の胸部疾患の特定領域における長期学習問題に関する総合的なベンチマーク研究を行う。 我々は,自然分布の胸部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。 そこで本研究では,医用画像分類のための長期学習手法の開発を支援するために,新しい長鎖胸部X線ベンチマークを提案する。 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。 この新しいベンチマークでは、標準的および最先端のロングテール学習方法の両方を評価し、ロングテールの医用画像分類において、どの側面が最も有益かを分析し、将来のアルゴリズム設計のための洞察を要約する。 データセット、トレーニングされたモデル、コードはhttps://github.com/VITA-Group/LongTailCXRで公開されている。

関連論文リスト

• Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
  胸部X線異常検出は重要な課題である。 近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。 凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
  論文  参考訳（メタデータ） (2024-05-20T12:11:41Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• Transfer learning method in the problem of binary classification of chest X-rays [0.0]
  胸部X線所見の迅速かつ迅速な検出により,早期に肺炎の発生を検出でき,即時治療を開始できる。 人工知能は、X線分析の手順を迅速かつ質的に改善し、不審な画像のさらなる考慮のために医師に勧告を与えることができる。
  論文  参考訳（メタデータ） (2023-03-19T08:35:47Z)
• AnaXNet: Anatomy Aware Multi-label Finding Classification in Chest X-ray [9.087789790647786]
  画像の発見を正確に分類し,解剖学的に正しい領域に局在する新しいマルチラベル胸部X線分類モデルを提案する。 後者はグラフ畳み込みネットワークを用いてラベル依存だけでなく,胸部X線における解剖学的領域間の関係も学習する。
  論文  参考訳（メタデータ） (2021-05-20T17:58:02Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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)
• Extracting and Learning Fine-Grained Labels from Chest Radiographs [0.157292030677369]
  胸部X線画像の微細なラベルの抽出と学習に焦点を当てた。 今までで最大の発見スペクトルを示す457個の細粒度ラベルが選択された。 高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。
  論文  参考訳（メタデータ） (2020-11-18T19:56:08Z)
• 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)

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。