Fugu-MT 論文翻訳(概要): Detecting Shortcuts in Medical Images

論文の概要: Detecting Shortcuts in Medical Images - A Case Study in Chest X-rays

arxiv url: http://arxiv.org/abs/2211.04279v1
Date: Tue, 8 Nov 2022 14:36:33 GMT
ステータス: 処理完了
システム内更新日: 2022-11-09 16:36:47.389162
Title: Detecting Shortcuts in Medical Images - A Case Study in Chest X-rays
Title（参考訳）: 医用画像における近道検出 -胸部x線撮影例-
Authors: Amelia Jim\'enez-S\'anchez, Dovile Juodelye, Bethany Chamberlain, Veronika Cheplygina
Abstract要約: 2つの公開データセットを用いた胸部X線症例について検討した。気胸画像のサブセットに対するアノテーションをドレインで共有する。
参考スコア（独自算出の注目度）: 0.22940141855172028
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The availability of large public datasets and the increased amount of computing power have shifted the interest of the medical community to high-performance algorithms. However, little attention is paid to the quality of the data and their annotations. High performance on benchmark datasets may be reported without considering possible shortcuts or artifacts in the data, besides, models are not tested on subpopulation groups. With this work, we aim to raise awareness about shortcuts problems. We validate previous findings, and present a case study on chest X-rays using two publicly available datasets. We share annotations for a subset of pneumothorax images with drains. We conclude with general recommendations for medical image classification.
Abstract（参考訳）: 大規模な公開データセットの可用性と計算能力の増大により、医療コミュニティの関心は高性能なアルゴリズムへとシフトした。しかし、データの品質とアノテーションにはほとんど注意が払われていない。ベンチマークデータセットのハイパフォーマンスは、データ内のショートカットやアーティファクトを考慮せずに報告することができる。本研究は,ショートカット問題に対する意識を高めることを目的としている。過去の知見を検証し,2つの公開データセットを用いて胸部X線検査を行った。気胸画像のサブセットに対するアノテーションをドレインで共有する。医用画像分類の一般的な推奨事項をまとめる。

関連論文リスト

Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Augmenting Chest X-ray Datasets with Non-Expert Annotations [1.9991771189143435]
一般的で費用対効果の高いアプローチは、フリーテキスト医療レポートから自動アノテーション抽出である。非専門的アノテーションを組み込むことで,2つの公開胸部X線データセットを強化する。専門家ラベルによく一般化する非専門アノテーションで胸部ドレイン検出器を訓練する。
論文参考訳（メタデータ） (2023-09-05T13:52:43Z)
Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems [7.909848251752742]
胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
論文参考訳（メタデータ） (2022-11-02T17:43:02Z)
Dataset Distillation for Medical Dataset Sharing [38.65823547986758]
データセットの蒸留は、トレーニングされたモデルが元の大きなデータセットと同等のパフォーマンスを達成するように、小さなデータセットを合成することができる。新型コロナウイルスの胸部X線画像データセットによる実験結果から,胸部X線画像が不足していても高い検出性能が得られた。
論文参考訳（メタデータ） (2022-09-29T07:49:20Z)
Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
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。
論文参考訳（メタデータ） (2022-08-29T04:34:15Z)
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)
Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
論文参考訳（メタデータ） (2021-06-13T11:20:31Z)
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)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
Semi-supervised lung nodule retrieval [2.055949720959582]
コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。 LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
論文参考訳（メタデータ） (2020-05-04T19:26:14Z)
Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
論文参考訳（メタデータ） (2020-01-29T15:14:56Z)

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。