論文の概要: Transfer learning method in the problem of binary classification of
chest X-rays
- arxiv url: http://arxiv.org/abs/2303.10601v1
- Date: Sun, 19 Mar 2023 08:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 18:23:23.115722
- Title: Transfer learning method in the problem of binary classification of
chest X-rays
- Title（参考訳）: 胸部x線二値分類問題における転送学習法
- Authors: Kolesnikov Dmitry
- Abstract要約: 胸部X線所見の迅速かつ迅速な検出により,早期に肺炎の発生を検出でき,即時治療を開始できる。
人工知能は、X線分析の手順を迅速かつ質的に改善し、不審な画像のさらなる考慮のために医師に勧告を与えることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The possibility of high-precision and rapid detection of pathologies on chest
X-rays makes it possible to detect the development of pneumonia at an early
stage and begin immediate treatment. Artificial intelligence can speed up and
qualitatively improve the procedure of X-ray analysis and give recommendations
to the doctor for additional consideration of suspicious images. The purpose of
this study is to determine the best models and implementations of the transfer
learning method in the binary classification problem in the presence of a small
amount of training data. In this article, various methods of augmentation of
the initial data and approaches to training ResNet and DenseNet models for
black-and-white X-ray images are considered, those approaches that contribute
to obtaining the highest results of the accuracy of determining cases of
pneumonia and norm at the testing stage are identified.
- Abstract（参考訳）: 胸部X線所見の迅速かつ迅速な検出が可能であり,早期に肺炎の発生を検出し,即時治療を開始することができる。
人工知能は、X線分析の手順を迅速かつ質的に改善し、不審な画像のさらなる考慮のために医師に勧告を与える。
本研究の目的は,少量のトレーニングデータが存在する場合のバイナリ分類問題において,転送学習手法の最良のモデルと実装を決定することである。
本稿では,白黒x線画像に対するresnetおよびdrknetモデルのトレーニングにおける初期データの強化方法と手法について検討し,肺炎症例の判定精度と検査段階での基準値の最大値を得るのに寄与する手法について検討する。
関連論文リスト
- Transparent and Clinically Interpretable AI for Lung Cancer Detection in Chest X-Rays [2.380494879018844]
既存のポストホックXAI技術は医療データに乏しいことが示されている。
本稿では,臨床概念を分類パイプラインに導入した概念ボトルネックモデルに基づくアンテホックなアプローチを提案する。
本手法は, ベースライン深層学習モデルと比較して, 肺癌検出における分類性能の向上を図っている。
論文 参考訳（メタデータ） (2024-03-28T14:15:13Z) - DINO-CXR: A self supervised method based on vision transformer for chest
X-ray classification [0.9883261192383611]
本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。
肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
論文 参考訳（メタデータ） (2023-08-01T11:58:49Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - 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) - 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) - 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) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - 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 learning classification of chest x-ray images [0.0]
胸部X線画像における一般的な病態の分類のためのディープラーニングに基づく手法を提案する。
肺結節と心筋腫の2例に本法を適用した。
その結果,従来の方法と比較して結節および心内膜の検出におけるAUCの改善が認められた。
論文 参考訳（メタデータ） (2020-05-19T17:29:33Z)
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。