論文の概要: Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition
of Pneumonia from Chest X-Ray Images
- arxiv url: http://arxiv.org/abs/2210.16584v2
- Date: Sat, 13 Jan 2024 12:00:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 03:49:07.093049
- Title: Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition
of Pneumonia from Chest X-Ray Images
- Title（参考訳）: 胸部X線画像からの肺炎迅速診断のためのCNN多レベル注意変換器
- Authors: Shengchao Chen, Sufen Ren, Guanjun Wang, Mengxing Huang, and Chenyang
Xue
- Abstract要約: 本稿では,医療実践に高速な分析支援を実現するために,解釈可能な肺炎認識フレームワークを開発した。
認識過程を高速化する計算複雑性を低減するため,Transformer内の新しい多段階自己認識機構が提案されている。
本手法の有効性は,CXR画像データセットを用いた古典的な新型コロナウイルス認識タスクにおいて実証されている。
- 参考スコア（独自算出の注目度）: 2.1408385210297656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest imaging plays an essential role in diagnosing and predicting patients
with COVID-19 with evidence of worsening respiratory status. Many deep
learning-based approaches for pneumonia recognition have been developed to
enable computer-aided diagnosis. However, the long training and inference time
makes them inflexible, and the lack of interpretability reduces their
credibility in clinical medical practice. This paper aims to develop a
pneumonia recognition framework with interpretability, which can understand the
complex relationship between lung features and related diseases in chest X-ray
(CXR) images to provide high-speed analytics support for medical practice. To
reduce the computational complexity to accelerate the recognition process, a
novel multi-level self-attention mechanism within Transformer has been proposed
to accelerate convergence and emphasize the task-related feature regions.
Moreover, a practical CXR image data augmentation has been adopted to address
the scarcity of medical image data problems to boost the model's performance.
The effectiveness of the proposed method has been demonstrated on the classic
COVID-19 recognition task using the widespread pneumonia CXR image dataset. In
addition, abundant ablation experiments validate the effectiveness and
necessity of all of the components of the proposed method.
- Abstract（参考訳）: 胸部画像検査は、呼吸器状態の悪化を証拠として、covid-19患者の診断と予測に欠かせない役割を担っている。
深層学習に基づく多くの肺炎認識アプローチが、コンピュータ支援診断を可能にするために開発された。
しかし、長い訓練と推論時間は柔軟性を欠き、解釈能力の欠如は臨床医療における信頼性を低下させる。
本稿では,胸部x線画像における肺の特徴と関連疾患の複雑な関係を把握し,医療における高速解析支援を提供する肺炎認識フレームワークの開発を目的としている。
認識過程を高速化する計算複雑性を低減するため,Transformer内の新しい多段階自己認識機構が提案され,収束の促進とタスク関連特徴領域の強調がなされている。
さらに、医療画像データの不足に対処し、モデルの性能を高めるために、実用的なCXR画像データ拡張が採用されている。
提案手法の有効性は,肺炎cxr画像データセットを用いた古典的新型コロナウイルス認識課題において実証されている。
また, 豊富なアブレーション実験により, 提案手法の全成分の有効性と必要性が検証された。
関連論文リスト
- BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳（メタデータ） (2023-11-26T15:13:13Z) - Multi-Scale Feature Fusion using Parallel-Attention Block for COVID-19
Chest X-ray Diagnosis [2.15242029196761]
世界的な新型コロナウイルス危機下では、チェストX線(CXR)画像からの新型コロナウイルスの正確な診断が重要である。
並列アテンションブロックを用いた新しい多機能融合ネットワークを提案し、元のCXR画像とローカル位相特徴強調CXR画像をマルチスケールで融合する。
論文 参考訳（メタデータ） (2023-04-25T16:56:12Z) - 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) - CXR-Net: An Encoder-Decoder-Encoder Multitask Deep Neural Network for
Explainable and Accurate Diagnosis of COVID-19 pneumonia with Chest X-ray
Images [2.2098092675263423]
そこで本研究では,CXRNetを用いた新型コロナウイルス検出のための新しいディープラーニングフレームワークを提案する。
提案するフレームワークは,新しいマルチタスクアーキテクチャに基づいており,疾患の分類と視覚的説明が可能である。
実験結果から,提案手法は良好な精度が得られることが示された。
論文 参考訳（メタデータ） (2021-10-20T22:50:35Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Longitudinal Quantitative Assessment of COVID-19 Infection Progression
from Chest CTs [36.71379097297172]
ボクセルレベルの感染を識別し、新型コロナウイルスの進行を可視化する新しい枠組みを提案する。
特に,参照スキャン情報を利用した縦断セグメンテーションネットワークを考案し,疾患識別の性能を向上させる。
論文 参考訳（メタデータ） (2021-03-12T12:35:11Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z) - Residual Attention U-Net for Automated Multi-Class Segmentation of
COVID-19 Chest CT Images [46.844349956057776]
新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。
新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。
複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-12T16:24:59Z)
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。