論文の概要: Predicting Ejection Fraction from Chest X-rays Using Computer Vision for
Diagnosing Heart Failure
- arxiv url: http://arxiv.org/abs/2212.09860v1
- Date: Mon, 19 Dec 2022 21:18:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 16:14:33.380536
- Title: Predicting Ejection Fraction from Chest X-rays Using Computer Vision for
Diagnosing Heart Failure
- Title（参考訳）: 心不全診断のためのコンピュータビジョンを用いた胸部X線からの吐出率予測
- Authors: Walt Williams, Rohan Doshi, Yanran Li, Kexuan Liang
- Abstract要約: Ejection fraction (EF) は心不全の診断と管理のための重要な指標である。
胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。
本研究は,CXRのみからEFの低減を予測するためのコンピュータビジョン技術の有効性について検討する。
- 参考スコア（独自算出の注目度）: 8.955986135184375
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart failure remains a major public health challenge with growing costs.
Ejection fraction (EF) is a key metric for the diagnosis and management of
heart failure however estimation of EF using echocardiography remains expensive
for the healthcare system and subject to intra/inter operator variability.
While chest x-rays (CXR) are quick, inexpensive, and require less expertise,
they do not provide sufficient information to the human eye to estimate EF.
This work explores the efficacy of computer vision techniques to predict
reduced EF solely from CXRs. We studied a dataset of 3488 CXRs from the MIMIC
CXR-jpg (MCR) dataset. Our work establishes benchmarks using multiple
state-of-the-art convolutional neural network architectures. The subsequent
analysis shows increasing model sizes from 8M to 23M parameters improved
classification performance without overfitting the dataset. We further show how
data augmentation techniques such as CXR rotation and random cropping further
improves model performance another ~5%. Finally, we conduct an error analysis
using saliency maps and Grad-CAMs to better understand the failure modes of
convolutional models on this task.
- Abstract（参考訳）: 心臓不全は、コストの増大に伴う公衆衛生上の大きな課題である。
Ejection fraction (EF) は心不全の診断と管理の鍵となる指標であるが, 心エコー図によるEF推定は医療システムにとって高価であり, 術中変動が懸念される。
胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。
本研究は,CXRのみから低減されたEFを予測するコンピュータビジョン技術の有効性を検討する。
我々はMIMIC CXR-jpg(MCR)データセットから3488個のCXRのデータセットを検討した。
本研究は,複数の最先端畳み込みニューラルネットワークアーキテクチャを用いたベンチマークを確立する。
続く分析では、8Mから23Mパラメータのモデルサイズが増加し、データセットを過度に適合させることなく分類性能が向上した。
さらに,cxr回転やランダムトリッピングなどのデータ拡張技術がモデル性能をさらに5%向上させることを示す。
最後に,このタスクにおける畳み込みモデルの故障モードをよりよく理解するために,saliency map と grad-cams を用いたエラー解析を行う。
関連論文リスト
- Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss
Function [3.2653790770825686]
ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。
本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
論文 参考訳（メタデータ） (2022-07-07T16:35:06Z) - Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case
Study on COVID-19 Chest X-ray Image [3.135883872525168]
胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。
深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。
本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
論文 参考訳（メタデータ） (2022-05-27T20:06:45Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - SCALP -- Supervised Contrastive Learning for Cardiopulmonary Disease
Classification and Localization in Chest X-rays using Patient Metadata [10.269187107011934]
そこで我々は,自己監督型コントラストアプローチを教師付き設定に拡張する,エンドツーエンドフレームワークであるSCALPを紹介した。
SCALPは同一患者(陽性キー)から胸部X線を抽出し、異なる患者(陰キー)から胸部X線を分離する
実験により,SCALPは,分類タスクと局所化タスクの両方において,有意な差で既存のベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2021-10-27T21:38:12Z) - 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) - 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) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳（メタデータ） (2020-12-06T03:41:51Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - 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)
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。