論文の概要: DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease Attention for Multi-Label Lesion Detection in Chest X-rays

• arxiv url: http://arxiv.org/abs/2306.13813v1
• Date: Fri, 23 Jun 2023 23:19:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 18:59:20.328736
• Title: DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease Attention for Multi-Label Lesion Detection in Chest X-rays
• Title（参考訳）: DualAttNet:胸部X線多層病変検出のための画像レベルと微細な病変注意の相乗的融合
• Authors: Qing Xu and Wenting Duan
• Abstract要約: 胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。 画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
• 参考スコア（独自算出の注目度）: 1.3367903535457364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest radiographs are the most commonly performed radiological examinations for lesion detection. Recent advances in deep learning have led to encouraging results in various thoracic disease detection tasks. Particularly, the architecture with feature pyramid network performs the ability to recognise targets with different sizes. However, such networks are difficult to focus on lesion regions in chest X-rays due to their high resemblance in vision. In this paper, we propose a dual attention supervised module for multi-label lesion detection in chest radiographs, named DualAttNet. It efficiently fuses global and local lesion classification information based on an image-level attention block and a fine-grained disease attention algorithm. A binary cross entropy loss function is used to calculate the difference between the attention map and ground truth at image level. The generated gradient flow is leveraged to refine pyramid representations and highlight lesion-related features. We evaluate the proposed model on VinDr-CXR, ChestX-ray8 and COVID-19 datasets. The experimental results show that DualAttNet surpasses baselines by 0.6% to 2.7% mAP and 1.4% to 4.7% AP50 with different detection architectures. The code for our work and more technical details can be found at https://github.com/xq141839/DualAttNet.
• Abstract（参考訳）: 胸部X線写真は、病変検出のための最も一般的な放射線検査である。 近年のディープラーニングの進歩は、様々な胸部疾患検出タスクの結果を奨励している。 特に、特徴ピラミッドネットワークを備えたアーキテクチャでは、異なるサイズでターゲットを認識することができる。 しかし, 胸部x線像の視認性が高いため, 病変領域に注目することは困難である。 本稿ではDualAttNetという胸部X線写真におけるマルチラベル病変検出のための二重注意制御モジュールを提案する。 画像レベルの注意ブロックときめ細かい疾患注意アルゴリズムに基づいて、グローバルおよびローカルの病変分類情報を効率的に融合する。 画像レベルでのアテンションマップとグラウンド真理の差を計算するために二項クロスエントロピー損失関数を用いる。 生成した勾配流を利用してピラミッドの表現を洗練し、病変に関連する特徴を強調する。 VinDr-CXR, ChestX-ray8, COVID-19データセットのモデルについて検討した。 実験の結果、DualAttNetはベースラインを0.6%から2.7% mAP、検出アーキテクチャが異なる1.4%から4.7% AP50に超えることがわかった。 私たちの仕事のコードと技術的な詳細はhttps://github.com/xq141839/DualAttNet.comで確認できます。

関連論文リスト

• MultiFusionNet: Multilayer Multimodal Fusion of Deep Neural Networks for Chest X-Ray Image Classification [16.479941416339265]
  畳み込みニューラルネットワーク(CNN)を用いた自動システムは胸部X線画像分類の精度と効率を向上させることを約束している。 本稿では,異なる層から特徴を抽出し,それらを融合させる深層学習に基づく多層核融合モデルを提案する。 提案モデルでは,3クラス分類と2クラス分類の両方において,97.21%,99.60%の精度を実現している。
  論文  参考訳（メタデータ） (2024-01-01T11:50:01Z)
• Multi-Resolution Fusion for Fully Automatic Cephalometric Landmark Detection [1.9580473532948401]
  側頭蓋X線像のセファロメトリーによるランドマーク検出は,特定の歯科疾患の診断において重要な役割を担っている。 広汎なデータ観測と定量的解析により,異なる受容領域の視覚的特徴が様々なランドマークの検出精度に異なる影響があることが判明した。 本手法は, 側方X線画像2023におけるケパロメトリランドマーク検出において実装され, 最終試験段階における平均放射誤差 1.62mm, 後続検出率 2.0mm, 74.18%の平均放射誤差 (MRE) を達成した。
  論文  参考訳（メタデータ） (2023-10-04T14:42:45Z)
• EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark Detection on Echocardiograms [21.537833605289816]
  左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層型グラフニューラルネットワーク(GNN)を提案する。 本研究の主な貢献は,1)GNNによるマルチ解像度ランドマーク検出のための階層的グラフ表現学習フレームワーク,2)多レベル損失を用いた粒度の異なる階層的監視である。
  論文  参考訳（メタデータ） (2023-07-23T05:31:47Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• 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)
• A Deep Learning Approach for the Detection of COVID-19 from Chest X-Ray Images using Convolutional Neural Networks [0.0]
  COVID-19(コロナウイルス)は、重症急性呼吸器症候群ウイルス(SARS-CoV-2)によるパンデミックである。 2019年12月中旬、中国武漢の湖北省で初感染が確認された。 全世界で7550万件以上が確認され、167万件以上が死亡している。
  論文  参考訳（メタデータ） (2022-01-24T21:12:25Z)
• 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)
• 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)
• Bifurcated Autoencoder for Segmentation of COVID-19 Infected Regions in CT Images [8.122848195290743]
  新型コロナウイルス感染症(COVID-19)は、新型コロナウイルスの感染拡大で2020年初め以降、世界に衝撃を与えている。 この文脈では、ディープラーニングと畳み込みニューラルネットワークが画像解析に使われてきた。 本論文は、新型コロナウイルス感染症の肺領域を分画し、心臓科医がより正確に、より速く、より管理しやすいようにする方法を提案する。
  論文  参考訳（メタデータ） (2020-11-01T21:32:00Z)
• ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
  本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
  論文  参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。