論文の概要: OOOE: Only-One-Object-Exists Assumption to Find Very Small Objects in Chest Radiographs

• arxiv url: http://arxiv.org/abs/2210.06806v1
• Date: Thu, 13 Oct 2022 07:37:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 16:17:10.893302
• Title: OOOE: Only-One-Object-Exists Assumption to Find Very Small Objects in Chest Radiographs
• Title（参考訳）: OOOE: 胸部X線写真で非常に小さな物体を見つけるための唯一の存在
• Authors: Gunhee Nam, Taesoo Kim, Sanghyup Lee, Thijs Kooi
• Abstract要約: 管や様々な解剖学的構造のような多くの異物は、胸部X線全体と比較して小さい。 我々は,胸部X線写真中の小さなランドマークを局所化する深層ネットワークの能力を向上させるため,単純で効果的なOOOE(Only-One-Object-Exists)の仮定を提案する。
• 参考スコア（独自算出の注目度）: 9.226276232505734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate localization of inserted medical tubes and parts of human anatomy is a common problem when analyzing chest radiographs and something deep neural networks could potentially automate. However, many foreign objects like tubes and various anatomical structures are small in comparison to the entire chest X-ray, which leads to severely unbalanced data and makes training deep neural networks difficult. In this paper, we present a simple yet effective `Only-One-Object-Exists' (OOOE) assumption to improve the deep network's ability to localize small landmarks in chest radiographs. The OOOE enables us to recast the localization problem as a classification problem and we can replace commonly used continuous regression techniques with a multi-class discrete objective. We validate our approach using a large scale proprietary dataset of over 100K radiographs as well as publicly available RANZCR-CLiP Kaggle Challenge dataset and show that our method consistently outperforms commonly used regression-based detection models as well as commonly used pixel-wise classification methods. Additionally, we find that the method using the OOOE assumption generalizes to multiple detection problems in chest X-rays and the resulting model shows state-of-the-art performance on detecting various tube tips inserted to the patient as well as patient anatomy.
• Abstract（参考訳）: 挿入された医療管と人間の解剖の一部の正確な位置決めは、胸部X線写真や深層ニューラルネットワークが自動化される可能性がある場合、一般的な問題である。 しかし、管や様々な解剖学的構造のような多くの異物は、胸部X線全体と比較して小さく、不均衡なデータをもたらし、深層ニューラルネットワークの訓練を困難にしている。 本稿では,胸部X線写真中の小さなランドマークをローカライズする深層ネットワークの能力を改善するための,シンプルで効果的なOOOE(Only-One-Object-Exists)の仮定を提案する。 OOOEにより、ローカライゼーション問題を分類問題として再キャストすることができ、よく使われる連続回帰手法をマルチクラス離散目的に置き換えることができる。 提案手法は,100K以上のラジオグラフからなる大規模プロプライエタリなデータセットと,公開されているRANZCR-CLiP Kaggle Challengeデータセットを用いて検証し,一般的な回帰ベース検出モデルと一般的な画素単位の分類手法とを一貫して上回ることを示す。 また, この手法は胸部x線における複数の検出問題に一般化し, 患者に挿入された各種チューブ先端の検出と患者の解剖に最先端のパフォーマンスを示す。

関連論文リスト

• Effort: Efficient Orthogonal Modeling for Generalizable AI-Generated Image Detection [66.16595174895802]
  既存のAI生成画像(AIGI)検出手法は、しばしば限定的な一般化性能に悩まされる。 本稿では、AIGI検出において、これまで見過ごされてきた重要な非対称性現象を同定する。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• An Efficient Anchor-free Universal Lesion Detection in CT-scans [19.165942326142538]
  そこで本研究では, 種々の病変の規模にまたがって良好に機能する, 頑健な1段階のアンカーフリー病変検出ネットワークを提案する。 我々は最先端の手法に匹敵する結果を得、DeepLesionデータセットで全体の感度は86.05%に達する。
  論文  参考訳（メタデータ） (2022-03-30T06:01:04Z)
• DKMA-ULD: Domain Knowledge augmented Multi-head Attention based Robust Universal Lesion Detection [19.165942326142538]
  本稿では,1つのデータセットであるDeepLesionをトレーニングすることにより,全身の臓器にまたがる病変を検出できる,堅牢な普遍的病変検出(ULD)ネットワークを提案する。 我々は,新しい畳み込み型マルチヘッド自己保持モジュールを用いて,様々な強度のCTスライスを解析した。 約32KのCTスキャンと全臓器に注視病変を付加したDeepLesionデータセットを用いて,本ネットワークの有効性を検証した。
  論文  参考訳（メタデータ） (2022-03-14T06:54:28Z)
• 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)
• Multiscale Detection of Cancerous Tissue in High Resolution Slide Scans [0.0]
  高分解能スライドスキャンにおけるマルチスケール腫瘍(キメラ細胞)検出アルゴリズムを提案する。 提案手法では,CNNの異なる層における有効受容場を改良し,幅広いスケールの物体を1つの前方通過で検出する。
  論文  参考訳（メタデータ） (2020-10-01T18:56:46Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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。