論文の概要: Anatomy-Driven Pathology Detection on Chest X-rays
- arxiv url: http://arxiv.org/abs/2309.02578v1
- Date: Tue, 5 Sep 2023 20:58:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 17:38:52.323434
- Title: Anatomy-Driven Pathology Detection on Chest X-rays
- Title（参考訳）: 胸部X線による解剖学的診断
- Authors: Philip M\"uller, Felix Meissen, Johannes Brandt, Georgios Kaissis,
Daniel Rueckert
- Abstract要約: 本稿では,解剖学のプロキシとして解剖学的領域の境界ボックスを用いた解剖学駆動型病理診断(ADPD)を提案する。
解剖学レベルの病理組織ラベルを用いた教師ありトレーニングと画像レベルの病理組織ラベルを用いたマルチインスタンスラーニング(MIL)の2つのトレーニング手法について検討した。
以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全な教師付き検出よりも優れていた。
- 参考スコア（独自算出の注目度）: 17.670821896026137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathology detection and delineation enables the automatic interpretation of
medical scans such as chest X-rays while providing a high level of
explainability to support radiologists in making informed decisions. However,
annotating pathology bounding boxes is a time-consuming task such that large
public datasets for this purpose are scarce. Current approaches thus use weakly
supervised object detection to learn the (rough) localization of pathologies
from image-level annotations, which is however limited in performance due to
the lack of bounding box supervision. We therefore propose anatomy-driven
pathology detection (ADPD), which uses easy-to-annotate bounding boxes of
anatomical regions as proxies for pathologies. We study two training
approaches: supervised training using anatomy-level pathology labels and
multiple instance learning (MIL) with image-level pathology labels. Our results
show that our anatomy-level training approach outperforms weakly supervised
methods and fully supervised detection with limited training samples, and our
MIL approach is competitive with both baseline approaches, therefore
demonstrating the potential of our approach.
- Abstract（参考訳）: 病理診断とデライン化により、胸部X線などの医療スキャンの自動解釈が可能となり、放射線医が情報的決定を行う際に高いレベルの説明が可能である。
しかし、この目的のために大きな公開データセットが不足するなど、病理のバウンディングボックスの注釈付けは時間のかかる作業である。
したがって、現在のアプローチでは、弱い教師付きオブジェクト検出を用いて画像レベルのアノテーションから病理の(粗い)ローカライゼーションを学習している。
そこで我々は解剖学的領域境界ボックスを病理のプロキシとして用いた解剖学的病理検出(adpd)を提案する。
解剖学レベルの病理ラベルを用いた教師付きトレーニングと,画像レベルの病理ラベルを用いた複数インスタンス学習(mil)の2つのトレーニング方法を検討した。
以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全教師付き検出よりも優れており,MILアプローチは両ベースラインアプローチと競合し,我々のアプローチの可能性を示している。
関連論文リスト
- Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset [4.391219238034502]
悪性腫瘍,特に小児・青年に共通する骨折は重要な診断課題である。
近年の深部畳み込みニューラルネットワークの進歩は、外傷X線における病理検出の自動化を約束している。
従来の手作業による注釈は効果的だが、精巧で費用がかかり、専門的な専門知識を必要とする。
手動で介入することなく、X線における識別領域を自動的に識別することを目的とした、きめ細かいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-24T10:14:52Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。
提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。
医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
論文 参考訳（メタデータ） (2024-01-19T11:35:07Z) - DeepLOC: Deep Learning-based Bone Pathology Localization and
Classification in Wrist X-ray Images [1.45543311565555]
本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。
提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
論文 参考訳（メタデータ） (2023-08-24T12:06:10Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - 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 Chest Graph for Disease Diagnosis with Structural Relational
Reasoning [2.7148274921314615]
X線画像のコンピュータ診断において位置病変は重要である。
一般に弱教師付き手法はX線像の特性を考慮できなかった。
自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
論文 参考訳（メタデータ） (2021-01-22T08:24:04Z) - A New Window Loss Function for Bone Fracture Detection and Localization
in X-ray Images with Point-based Annotation [21.004545631297855]
本論文では, X線画像の骨破壊検出法について, 作業効率が高く柔軟なアノテーション法を提案する。
本手法では, 簡便で直感的, 有益なポイントベースのアノテーションプロトコルを用いて, ローカライズ情報をマークする。
骨盤X線像4410例に対して,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-12-07T21:19:04Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。