論文の概要: Higher Chest X-ray Resolution Improves Classification Performance

• arxiv url: http://arxiv.org/abs/2306.06051v2
• Date: Thu, 3 Aug 2023 17:58:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-04 16:34:40.688534
• Title: Higher Chest X-ray Resolution Improves Classification Performance
• Title（参考訳）: 胸部X線高分解能による分類性能の向上
• Authors: Alessandro Wollek, Sardi Hyska, Bastian Sabel, Michael Ingrisch, Tobias Lasser
• Abstract要約: 本研究は胸部X線分類性能に及ぼすトレーニング解像度の影響について検討した。 その結果,高解像度,特に1024×1024ピクセルのトレーニングにより,全体分類性能が向上した。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for image classification are often trained at a resolution of 224 x 224 pixels for historical and efficiency reasons. However, chest X-rays are acquired at a much higher resolution to display subtle pathologies. This study investigates the effect of training resolution on chest X-ray classification performance, using the chest X-ray 14 dataset. The results show that training with a higher image resolution, specifically 1024 x 1024 pixels, results in the best overall classification performance with a mean AUC of 84.2 % compared to 82.7 % when trained with 256 x 256 pixel images. Additionally, comparison of bounding boxes and GradCAM saliency maps suggest that low resolutions, such as 256 x 256 pixels, are insufficient for identifying small pathologies and force the model to use spurious discriminating features. Our code is publicly available at https://gitlab.lrz.de/IP/cxr-resolution
• Abstract（参考訳）: 画像分類のためのディープラーニングモデルは、歴史的および効率上の理由から、224 x 224ピクセルの解像度で訓練されることが多い。 しかし、胸部X線は微妙な病態を示すためにはるかに高解像度で取得される。 本研究は,胸部X線14データセットを用いた胸部X線分類性能に及ぼすトレーニング精度の影響について検討した。 その結果,高解像度,特に1024 x 1024ピクセルのトレーニングでは,256 x 256ピクセルのトレーニングでは82.7 %に対して平均84.2 %のaucで分類性能が最高であった。 さらに、バウンディングボックスとgradcamのサリエンシーマップを比較すると、256 x 256ピクセルのような低解像度は小さな病理を識別するのに不十分であり、モデルに散発的な識別機能の使用を強制することを示唆している。 私たちのコードはhttps://gitlab.lrz.de/IP/cxr- resolutionで公開されています。

関連論文リスト

• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Synthetic Data from Diffusion Models Improves ImageNet Classification [47.999055841125156]
  大規模テキストから画像への拡散モデルは、クラス条件付きモデルを生成するために微調整することができる。 ImageNetトレーニングセットを結果モデルのサンプルで拡張すると、ImageNetの分類精度が大幅に向上する。
  論文  参考訳（メタデータ） (2023-04-17T17:42:29Z)
• Detection of COVID19 in Chest X-Ray Images Using Transfer Learning [0.0]
  本稿では,VGG-16とVGG-19という,最もよく知られた2つのVGGNetアーキテクチャを用いたトランスファーラーニングの概念について検討する。 我々は,複数クラスとバイナリの分類問題において,正のCovid-19インスタンスを識別するために,提案システムの性能を評価するために2つの異なるデータセットを生成した。
  論文  参考訳（メタデータ） (2023-04-09T05:02:04Z)
• 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)
• Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM [0.0]
  本稿では,本論文で報告されている他の手法よりも高速かつ高精度な新しい手法を提案する。 提案手法はDenseNet169とMobileNet Deep Neural Networksを組み合わせて患者のX線画像の特徴を抽出する。 この方法は2クラス(COVID-19、Healthy)と複数クラス(COVID-19、Healthy、Pneumonia)で98.54%と91.11%の精度を達成した。
  論文  参考訳（メタデータ） (2022-06-09T14:56:24Z)
• Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification [3.110738188734789]
  CNNは皮膚病変の分類に有効であることが示されている。 本稿では,入力画像サイズが細調整CNNの皮膚病変分類性能に及ぼす影響について検討する。 以上の結果から,64×64ピクセルの非常に小さな画像を用いて分類性能を低下させる一方,128×128ピクセルの画像では画像サイズが大きくなり,分類精度がわずかに向上した。
  論文  参考訳（メタデータ） (2020-06-25T21:51:24Z)
• 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)
• Automated Methods for Detection and Classification Pneumonia based on X-Ray Images Using Deep Learning [0.0]
  Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。 CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
  論文  参考訳（メタデータ） (2020-03-31T16:48:27Z)

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。