論文の概要: A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays

• arxiv url: http://arxiv.org/abs/2209.01988v1
• Date: Mon, 5 Sep 2022 14:36:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 14:09:07.014775
• Title: A Benchmark for Weakly Semi-Supervised Abnormality Localization in Chest X-Rays
• Title（参考訳）: 胸部X線における弱半監督異常局在のベンチマーク
• Authors: Haoqin Ji, Haozhe Liu, Yuexiang Li, Jinheng Xie, Nanjun He, Yawen Huang, Dong Wei, Xinrong Chen, Linlin Shen, Yefeng Zheng
• Abstract要約: 本稿では,弱い半教師付き戦略であるPoint Beyond Classを用いて,CXR異常局所化フレームワークを訓練することを提案する。 PBCの背後にある中核的な考え方は、ポイントアノテーションからバウンディングボックスへの堅牢で正確なマッピングを学ぶことです。 RSNAとVinDr-CXRデータセットの実験結果は,提案手法の有効性を正当化するものである。
• 参考スコア（独自算出の注目度）: 42.1336336144291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate abnormality localization in chest X-rays (CXR) can benefit the clinical diagnosis of various thoracic diseases. However, the lesion-level annotation can only be performed by experienced radiologists, and it is tedious and time-consuming, thus difficult to acquire. Such a situation results in a difficulty to develop a fully-supervised abnormality localization system for CXR. In this regard, we propose to train the CXR abnormality localization framework via a weakly semi-supervised strategy, termed Point Beyond Class (PBC), which utilizes a small number of fully annotated CXRs with lesion-level bounding boxes and extensive weakly annotated samples by points. Such a point annotation setting can provide weakly instance-level information for abnormality localization with a marginal annotation cost. Particularly, the core idea behind our PBC is to learn a robust and accurate mapping from the point annotations to the bounding boxes against the variance of annotated points. To achieve that, a regularization term, namely multi-point consistency, is proposed, which drives the model to generate the consistent bounding box from different point annotations inside the same abnormality. Furthermore, a self-supervision, termed symmetric consistency, is also proposed to deeply exploit the useful information from the weakly annotated data for abnormality localization. Experimental results on RSNA and VinDr-CXR datasets justify the effectiveness of the proposed method. When less than 20% box-level labels are used for training, an improvement of ~5 in mAP can be achieved by our PBC, compared to the current state-of-the-art method (i.e., Point DETR). Code is available at https://github.com/HaozheLiu-ST/Point-Beyond-Class.
• Abstract（参考訳）: 胸部X線(CXR)の正確な異常局在は,胸部疾患の診断に有用である。 しかし、病変レベルのアノテーションは経験豊富な放射線技師によってのみ実行され、退屈で時間を要するため取得が困難である。 このような状況は、CXRの完全教師付き異常局所化システムの開発に困難をもたらす。 そこで本研究では,少数の完全アノテートされたcxrと,病変レベルのバウンディングボックスと広範囲に弱アノテートされたサンプルを点別に活用した,弱い半教師付き戦略であるpoint beyond class(pbc)を用いて,cxr異常局在の枠組みを訓練することを提案する。 このようなポイントアノテーション設定は、限界アノテーションコストで異常ローカライゼーションのための弱いインスタンスレベルの情報を提供することができる。 特にPBCの背後にある中核的な考え方は、アノテーションからアノテーションの分散に対する境界ボックスへの堅牢で正確なマッピングを学習することである。 これを実現するために、同一の異常内で異なる点アノテーションから一貫性のある境界ボックスを生成するようにモデルを駆動する正規化項、すなわち多点一貫性を提案する。 さらに, 弱アノテートされたデータから異常局所化のための有用な情報を深く活用するために, 対称整合性と呼ばれる自己超越性も提案されている。 RSNAとVinDr-CXRデータセットの実験結果は,提案手法の有効性を正当化するものである。 トレーニングに20%未満のボックスレベルラベルを使用する場合、現在の最先端手法(ポイントDETR)と比較して、PBCによってmAPの約5の改善が達成される。 コードはhttps://github.com/HaozheLiu-ST/Point-Beyond-Classで入手できる。

関連論文リスト

• RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
  本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。 RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。 提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
  論文  参考訳（メタデータ） (2023-03-01T03:15:31Z)
• Self-Supervised Equivariant Regularization Reconciles Multiple Instance Learning: Joint Referable Diabetic Retinopathy Classification and Lesion Segmentation [3.1671604920729224]
  病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。 既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。 本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。 我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2022-10-12T06:26:05Z)
• Localization supervision of chest x-ray classifiers using label-specific eye-tracking annotation [4.8035104863603575]
  眼球追跡(ET)データは、放射線科医の診療ワークフローにおいて、非侵襲的な方法で収集することができる。 我々は、CXRレポートを作成してCNNを訓練する際、放射線技師から記録されたETデータを使用します。 ETデータから,キーワードの指示に関連付けて抽出し,異常の局所化を監督する。
  論文  参考訳（メタデータ） (2022-07-20T09:26:29Z)
• Anatomy-Guided Weakly-Supervised Abnormality Localization in Chest X-rays [17.15666977702355]
  本稿では,弱いアノテーション問題に対処するため,解剖誘導胸部X線ネットワーク(AGXNet)を提案する。 本フレームワークは2つのネットワークのカスケードから構成される。1つは解剖学的異常を同定し,もう1つは病理学的観察を行う。 MIMIC-CXRデータセットを用いて,AGXNetの疾患および解剖学的異常局在に対する有効性を示した。
  論文  参考訳（メタデータ） (2022-06-25T18:33:27Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Localization of Critical Findings in Chest X-Ray without Local Annotations Using Multi-Instance Learning [0.0]
  ディープラーニングモデルは説明責任の欠如に苦しむことが多い。 ディープラーニングモデルは、ピクセルレベルラベルやバウンディングボックス座標のような、局所的なアノテートされたトレーニングデータを必要とする。 本研究では,マルチインスタンス学習に基づく解釈可能なDLアルゴリズムを用いて,これらの欠点に対処する。
  論文  参考訳（メタデータ） (2020-01-23T21:29:14Z)

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。