論文の概要: HeartSpot: Privatized and Explainable Data Compression for Cardiomegaly Detection

• arxiv url: http://arxiv.org/abs/2210.02241v1
• Date: Wed, 5 Oct 2022 13:19:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 13:42:31.237280
• Title: HeartSpot: Privatized and Explainable Data Compression for Cardiomegaly Detection
• Title（参考訳）: HeartSpot: プリベートで説明可能なデータ圧縮による心筋症検出
• Authors: Elvin Johnson, Shreshta Mohan, Alex Gaudio, Asim Smailagic, Christos Faloutsos, Aur\'elio Campilho
• Abstract要約: 胸部X線画像における心内膜検出のためのHeartSpotを提案する。 HeartSpotは胸部X線画像を97%のピクセルに分解して民営化する。 HeartSpotには強力な圧縮機能があり、最大32倍のピクセルと11倍のファイルサイズがある。
• 参考スコア（独自算出の注目度）: 12.427931702761635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in data-driven deep learning for chest X-ray image analysis underscore the need for explainability, privacy, large datasets and significant computational resources. We frame privacy and explainability as a lossy single-image compression problem to reduce both computational and data requirements without training. For Cardiomegaly detection in chest X-ray images, we propose HeartSpot and four spatial bias priors. HeartSpot priors define how to sample pixels based on domain knowledge from medical literature and from machines. HeartSpot privatizes chest X-ray images by discarding up to 97% of pixels, such as those that reveal the shape of the thoracic cage, bones, small lesions and other sensitive features. HeartSpot priors are ante-hoc explainable and give a human-interpretable image of the preserved spatial features that clearly outlines the heart. HeartSpot offers strong compression, with up to 32x fewer pixels and 11x smaller filesize. Cardiomegaly detectors using HeartSpot are up to 9x faster to train or at least as accurate (up to +.01 AUC ROC) when compared to a baseline DenseNet121. HeartSpot is post-hoc explainable by re-using existing attribution methods without requiring access to the original non-privatized image. In summary, HeartSpot improves speed and accuracy, reduces image size, improves privacy and ensures explainability. Source code: https://www.github.com/adgaudio/HeartSpot
• Abstract（参考訳）: 胸部x線画像解析のためのデータ駆動型ディープラーニングの進歩は、説明可能性、プライバシ、大規模データセット、重要な計算リソースの必要性を強調する。 プライバシーと説明責任は、トレーニングなしで計算とデータ要求の両方を減らすために、失われた単一イメージの圧縮問題である。 胸部X線画像における心内膜検出のために,HeartSpotと4つの空間バイアス先行法を提案する。 HeartSpotは、医学文献や機械からのドメイン知識に基づいてピクセルをサンプリングする方法を定義している。 heartspotは胸部x線像を民営化し、胸郭の形状、骨、小さな病変、その他の敏感な特徴を明らかにするピクセルの最大97%を廃棄する。 HeartSpotの先行画像は、アンテホックな説明が可能で、保存された空間的特徴を人間の解釈可能な画像で表す。 heartspotは、最大32倍のピクセルと11倍のファイルサイズを持つ強力な圧縮を提供する。 heartspotを使用するcardiomegaly検出器は、トレーニングが最大9倍、あるいは少なくとも正確(最大+.01まで)である。 AUC ROC) をベースラインのDenseNet121と比較した場合。 HeartSpotは、オリジナルの非プライベートイメージへのアクセスを必要とせずに、既存の属性メソッドを再使用することで、ポストホックな説明が可能である。 要約すると、HeartSpotはスピードと精度を改善し、画像サイズを削減し、プライバシーを改善し、説明可能性を確保する。 ソースコード: https://www.github.com/adgaudio/heartspot

関連論文リスト

• EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach [2.2851400085359685]
  心疾患の分類におけるEigenFacesアプローチの応用について検討した。 我々は、心エコー図法における固有顔アプローチから着想を得た前処理ステップを実行し、ポッドモードのセットを生成し、それを固有ハートと呼ぶ。 その結果,SVDを前処理に用いた場合,分類精度は約50%向上した。
  論文  参考訳（メタデータ） (2024-11-25T09:41:20Z)
• Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
  本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。 我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
  論文  参考訳（メタデータ） (2024-06-01T07:08:45Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Higher Chest X-ray Resolution Improves Classification Performance [58.720142291102135]
  本研究は胸部X線分類性能に及ぼすトレーニング解像度の影響について検討した。 その結果,高解像度,特に1024×1024ピクセルのトレーニングにより,全体分類性能が向上した。
  論文  参考訳（メタデータ） (2023-06-09T17:21:52Z)
• Dataset Creation Pipeline for Camera-Based Heart Rate Estimation [0.3058685580689604]
  心拍数(Heart rate)は、様々な人間の生理的、心理的情報に対する直感を調査し得る最も重要な健康指標の1つである。 従来の画像処理から複雑なディープラーニングモデルやアーキテクチャまで,様々なカメラベース心拍推定技術が開発されている。 本稿では,顔領域の画像から心拍数推定のためのアルゴリズムや機械学習モデルを開発するためのデータ作成方法について論じる。
  論文  参考訳（メタデータ） (2023-03-02T18:28:29Z)
• Crowd Counting on Heavily Compressed Images with Curriculum Pre-Training [90.76576712433595]
  ディープニューラルネットワークによって処理された画像に損失圧縮を適用することで、大幅な精度低下につながる可能性がある。 カリキュラム学習のパラダイムに着想を得て,圧縮画像の群集カウントのためのカリキュラム事前学習(CPT)と呼ばれる新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-15T08:43:21Z)
• Cardiomegaly Detection using Deep Convolutional Neural Network with U-Net [0.0]
  深層学習に基づく心内膜疾患検出のためのカスタマイズされたU-Netモデルを提案する。 この研究は胸部X線画像データセットを使用して、診断精度94%をシミュレートし、生成した。
  論文  参考訳（メタデータ） (2022-05-23T04:02:20Z)
• 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)
• Searching for Pneumothorax in X-Ray Images Using Autoencoded Deep Features [5.868569999949525]
  胸部X線像では、放射線医による視覚検査により気胸が検出されるのが一般的である。 3つの入力を圧縮した胸部画像検索のためのAutoencoding Thorax Net(短いAutoThorax-Net)を開発した。 半自動検索は194,608例(気胸,正常)で92%,全自動検索は82%,全自動検索は51,383例(正常,気胸,その他多くの胸部疾患)で82%であった。
  論文  参考訳（メタデータ） (2021-02-11T16:21:06Z)
• Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
  この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。 対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
  論文  参考訳（メタデータ） (2020-05-08T02:16:17Z)
• Discernible Image Compression [124.08063151879173]
  本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。 エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。 ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
  論文  参考訳（メタデータ） (2020-02-17T07:35:08Z)

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。