論文の概要: Auto-outlier Fusion Technique for Chest X-ray classification with
Multi-head Attention Mechanism
- arxiv url: http://arxiv.org/abs/2211.08006v1
- Date: Tue, 15 Nov 2022 09:35:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 14:18:43.018833
- Title: Auto-outlier Fusion Technique for Chest X-ray classification with
Multi-head Attention Mechanism
- Title（参考訳）: 多頭部注意機構を用いた胸部x線分類のためのオートアウトリアー核融合法
- Authors: Yuru Jing and Zixuan Li
- Abstract要約: 胸部X線は、様々な肺疾患の診断と検出に最も広く用いられる放射線検査の1つである。
国立衛生研究所(NIH)は、肺疾患を分析し予測するための深層学習コミュニティを確立するために、広範なデータベースであるChestX-ray8とChestXray14を提供している。
- 参考スコア（独自算出の注目度）: 4.416665886445889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A chest X-ray is one of the most widely available radiological examinations
for diagnosing and detecting various lung illnesses. The National Institutes of
Health (NIH) provides an extensive database, ChestX-ray8 and ChestXray14, to
help establish a deep learning community for analysing and predicting lung
diseases. ChestX-ray14 consists of 112,120 frontal-view X-ray images of 30,805
distinct patients with text-mined fourteen disease image labels, where each
image has multiple labels and has been utilised in numerous research in the
past. To our current knowledge, no previous study has investigated outliers and
multi-label impact for a single X-ray image during the preprocessing stage. The
effect of outliers is mitigated in this paper by our proposed auto-outlier
fusion technique. The image label is regenerated by concentrating on a
particular factor in one image. The final cleaned dataset will be used to
compare the mechanisms of multi-head self-attention and multi-head attention
with generalised max-pooling.
- Abstract（参考訳）: 胸部X線は、様々な肺疾患の診断と検出に最も広く用いられる放射線検査の1つである。
国立衛生研究所(NIH)は、肺疾患を分析し予測するための深層学習コミュニティを確立するために、広範なデータベースであるChestX-ray8とChestXray14を提供している。
ChestX-ray14は、テキストマイニングされた14の疾患画像ラベルを持つ30,805人の異なる患者の112,120の正面視X線画像からなる。
これまでの知見では,前処理段階における単一x線画像の異常値とマルチラベルインパクトは検討されていない。
本論文では, 自動脱離融合法により, 脱離剤の効果を緩和する。
画像ラベルは、画像中の特定の要素に集中して再生される。
最終的なクリーン化データセットは、マルチヘッドの自己注意とマルチヘッドの注意と、一般化された最大プールのメカニズムを比較するために使用される。
関連論文リスト
- Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
診断医用画像検査など,現実的な画像認識の問題が数多く発生している。
診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。
我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
論文 参考訳（メタデータ） (2023-10-24T18:26:22Z) - Multi-Label Chest X-Ray Classification via Deep Learning [0.0]
本研究の目的は,X線画像から14種類の胸部状態を検出する軽量なソリューションを開発することである。
画像機能に加えて、X線ビュータイプ、年齢、性別などのデータで利用可能な非画像機能も使用します。
本研究の目的は, これまでの研究を改良し, 予測を14疾患に拡張し, 将来の胸部X線撮影研究への洞察を提供することである。
論文 参考訳（メタデータ） (2022-11-27T20:27:55Z) - 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) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Pneumonia Detection on Chest X-ray using Radiomic Features and
Contrastive Learning [26.031452674698787]
胸部X線における肺炎の検出に放射線学的特徴と造影学習を活用した新しい枠組みを提案する。
rsna肺炎検出チャレンジデータセットの実験により,いくつかの最先端モデルに優れた結果が得られた。
論文 参考訳（メタデータ） (2021-01-12T02:52:24Z) - Fused Deep Convolutional Neural Network for Precision Diagnosis of
COVID-19 Using Chest X-Ray Images [0.0]
複数のニューラルネットワークを微調整することで、新型コロナウイルスと正常者の胸部X線スキャンを正確に分類するコンピュータ支援診断(CAD)を提案する。
k倍のクロスバリデーションとベージングアンサンブルを用いることで、99.7%の精度と100%の感度が得られる。
論文 参考訳（メタデータ） (2020-09-15T02:27:20Z) - Searching for Pneumothorax in Half a Million Chest X-Ray Images [0.0]
気胸(Pneumothorax)は、胸部X線で経験豊富な放射線医によって検出される致命的な疾患である。
本研究では,胸部X線画像から気胸を分類するための画像検索法について検討した。
胸部X線画像50万枚において,気胸のCBIRに深く事前訓練した特徴が有効であることを示す最初の研究である。
論文 参考訳（メタデータ） (2020-07-30T13:03:52Z) - Context Learning for Bone Shadow Exclusion in CheXNet Accuracy
Improvement [14.18754838863113]
ChestX-ray14データセットには、14の疾患のX線画像が10万枚以上含まれており、精度の高いモデルがいくつか提案されている。
胸部X線画像における肺疾患診断のためのワークフローを構築し,最先端モデルのAUROCを0.8414から0.8445に改善する。
論文 参考訳（メタデータ） (2020-05-13T07:29:03Z) - 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)
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。