論文の概要: HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease
Classification from Chest X-ray Images
- arxiv url: http://arxiv.org/abs/2310.06143v1
- Date: Mon, 9 Oct 2023 20:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 21:37:26.808137
- Title: HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease
Classification from Chest X-ray Images
- Title（参考訳）: HydraViT:胸部X線画像からのマルチラベル病分類のための適応型マルチブランチ変換器
- Authors: \c{S}aban \"Ozt\"urk, M. Yi\u{g}it Tural{\i}, and Tolga \c{C}ukur
- Abstract要約: 胸部X線画像におけるマルチラベル分類性能を改善するための新しい手法を提案する。
HydraViTは、トランスフォーマーバックボーンとマルチブランチ出力モジュールと学習重み付けを組み合わせたものだ。
HydraViTは、競合する注意誘導手法の1.2%、地域誘導手法の1.4%、意味誘導手法の1.0%を上回っている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest X-ray is an essential diagnostic tool in the identification of chest
diseases given its high sensitivity to pathological abnormalities in the lungs.
However, image-driven diagnosis is still challenging due to heterogeneity in
size and location of pathology, as well as visual similarities and
co-occurrence of separate pathology. Since disease-related regions often occupy
a relatively small portion of diagnostic images, classification models based on
traditional convolutional neural networks (CNNs) are adversely affected given
their locality bias. While CNNs were previously augmented with attention maps
or spatial masks to guide focus on potentially critical regions, learning
localization guidance under heterogeneity in the spatial distribution of
pathology is challenging. To improve multi-label classification performance,
here we propose a novel method, HydraViT, that synergistically combines a
transformer backbone with a multi-branch output module with learned weighting.
The transformer backbone enhances sensitivity to long-range context in X-ray
images, while using the self-attention mechanism to adaptively focus on
task-critical regions. The multi-branch output module dedicates an independent
branch to each disease label to attain robust learning across separate disease
classes, along with an aggregated branch across labels to maintain sensitivity
to co-occurrence relationships among pathology. Experiments demonstrate that,
on average, HydraViT outperforms competing attention-guided methods by 1.2%,
region-guided methods by 1.4%, and semantic-guided methods by 1.0% in
multi-label classification performance.
- Abstract（参考訳）: 胸部X線は肺の病理異常に対する感受性が高い胸部疾患の同定に必須の診断ツールである。
しかし, 画像診断は, 病理組織の大きさ, 位置の均一性, 視覚的類似性, 病理の共起性などにより, いまだに困難である。
疾患関連領域は診断画像の比較的小さな部分を占めることが多いため、従来の畳み込みニューラルネットワーク(CNN)に基づく分類モデルは、その局所性バイアスによって悪影響を及ぼす。
cnnは以前注意マップや空間マスクを付けて潜在的に重要な領域に焦点を合わせていたが、病理の空間分布における異種性の下での局所化指導は困難である。
マルチラベル分類性能を向上させるために,変換器のバックボーンとマルチブランチ出力モジュールと学習重み付けを相乗的に結合するHydraViTを提案する。
トランスバータバックボーンは、タスククリティカル領域に適応的に焦点を合わせながら、X線画像の長距離コンテキストに対する感度を高める。
マルチブランチ出力モジュールは、個別の疾患クラスにまたがる堅牢な学習を達成するために、各疾患ラベルに独立したブランチを割り当て、ラベルにまたがる集約されたブランチは、病理学間の共起関係に対する感受性を維持する。
実験によると、HydraViTは、平均して、注意誘導手法を1.2%、地域誘導手法を1.4%、意味誘導手法を1.0%上回る。
関連論文リスト
- Hierarchical Salient Patch Identification for Interpretable Fundus Disease Localization [4.714335699701277]
階層型サルエントパッチ同定法 (HSPI) を考案した。
HSPIは、画像レベルのラベルとニューラルネットワーク分類器(NNC)のみを用いて、解釈可能な疾患の局在を達成できる
本研究は,眼底画像データセットの病巣局所化実験を行い,従来の解釈可能な帰属法と比較して,複数の評価指標の最良の性能を実現する。
論文 参考訳（メタデータ） (2024-05-23T09:07:21Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。
事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
論文 参考訳（メタデータ） (2021-07-31T00:10:26Z) - 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) - Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound
Images using Convolutional Neural Networks [1.021325814813899]
畳み込みニューラルネットワークに基づく自動腱症認識フレームワークが提案されている。
テンドンセグメンテーションはNASUNetという新しいネットワークを通じて行われる。
腱症診断のための一般的な分類パイプラインが提案されている。
論文 参考訳（メタデータ） (2020-11-23T22:41:41Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳（メタデータ） (2020-07-01T20:48:35Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Breast Cancer Histopathology Image Classification and Localization using
Multiple Instance Learning [2.4178424543973267]
診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。
病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。
本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
論文 参考訳（メタデータ） (2020-02-16T10:29:16Z)
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。