論文の概要: Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge

• arxiv url: http://arxiv.org/abs/2310.16112v2
• Date: Mon, 1 Apr 2024 20:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-04-04 12:42:49.403348
• Title: Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge
• Title（参考訳）: 胸部X線からの長期多ラベル疾患分類に向けて:CXR-LT課題の概観
• Abstract要約: 診断医用画像検査など,現実的な画像認識の問題が数多く発生している。 診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。 我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
• 参考スコア（独自算出の注目度）: 59.323306639144526
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many real-world image recognition problems, such as diagnostic medical imaging exams, are "long-tailed" $\unicode{x2013}$ there are a few common findings followed by many more relatively rare conditions. In chest radiography, diagnosis is both a long-tailed and multi-label problem, as patients often present with multiple findings simultaneously. While researchers have begun to study the problem of long-tailed learning in medical image recognition, few have studied the interaction of label imbalance and label co-occurrence posed by long-tailed, multi-label disease classification. To engage with the research community on this emerging topic, we conducted an open challenge, CXR-LT, on long-tailed, multi-label thorax disease classification from chest X-rays (CXRs). We publicly release a large-scale benchmark dataset of over 350,000 CXRs, each labeled with at least one of 26 clinical findings following a long-tailed distribution. We synthesize common themes of top-performing solutions, providing practical recommendations for long-tailed, multi-label medical image classification. Finally, we use these insights to propose a path forward involving vision-language foundation models for few- and zero-shot disease classification.
• Abstract（参考訳）: 診断医用画像検査のような現実世界の多くの画像認識問題は、"ロングテール"$\unicode{x2013}$である。 胸部X線撮影では、診断は長い尾と多ラベルの問題であり、患者は同時に複数の所見を呈することが多い。 医学画像認識における長い尾の学習の問題の研究が始まっているが、長い尾の多ラベル病の分類によって生じるラベルの不均衡とラベルの共起の相互作用を研究する研究者はほとんどいない。 胸部X線(CXRs)による胸部胸部胸郭疾患の長期分類について,CXR-LTのオープンチャレンジを行った。 我々は35万以上のCXRの大規模ベンチマークデータセットを公開し、それぞれに長い尾の分布の後、少なくとも26の臨床所見のうちの1つをラベル付けした。 我々は,トップパフォーマンスソリューションの共通テーマを合成し,ロングテール,マルチラベルの医用画像分類のための実用的なレコメンデーションを提供する。 最後に、これらの知見を用いて、少数・ゼロショットの疾患分類のための視覚言語基盤モデルを含む経路を先進的に提案する。

関連論文リスト

• CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification [16.66811379299239]
  本稿では,CXR-LT 2026チャレンジの概要を紹介する。 課題は,(1)既知の30のクラスに対するロバストなマルチラベル分類,(2)見当たらない6つのレアな病気クラスへのオープンワールド一般化,の2つの中核課題を定義する。
  論文  参考訳（メタデータ） (2026-04-16T22:10:09Z)
• SD-MAD: Sign-Driven Few-shot Multi-Anomaly Detection in Medical Images [20.315592081817595]
  SD-MADは2段階の符号駆動型複数ショット検出フレームワークである。 SD-MADの性能を包括的に定量化する3つのプロトコルを提案する。
  論文  参考訳（メタデータ） (2025-05-22T13:24:37Z)
• MONICA: Benchmarking on Long-tailed Medical Image Classification [14.547590439984807]
  長期学習はデータ不均衡学習において極めて難しい問題であると考えられている。 医用OpeNソースLong-taIled ClassifiCAtion (MONICA) という,統一された構造を持つ。 関連する分野で開発された30以上のメソッドを実装し、6つの医療ドメインをカバーする12の長い尾の医療データセットで評価する。
  論文  参考訳（メタデータ） (2024-10-02T20:21:46Z)
• Semi-Supervised Disease Classification based on Limited Medical Image Data [9.633774896301436]
  本稿では、半教師付き疾患分類のためのH"older divergenceにインスパイアされた新しい生成モデルを提案する。 PU医学学習によく用いられる5つのベンチマークデータセットについて実験を行った。 本手法は,5つの疾患分類ベンチマークにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-05-07T13:11:08Z)
• Long-tailed multi-label classification with noisy label of thoracic diseases from chest X-ray [17.385189528192118]
  胸部X線(CXR)はしばしば稀な疾患を呈し、正確な診断を必要としている。 胸部疾患と胸部疾患の両方をカプセル化したCXRの長期多ラベル分類のための新しいベンチマークを提案する。 我々のアプローチには、26の稀な疾患を伴うMIMIC-CXRの強化である"LTML-MIMIC-CXR"データセットの開発が含まれる。
  論文  参考訳（メタデータ） (2023-11-29T03:21:34Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• 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)
• 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)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• 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)

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。