論文の概要: CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using
Machine Learning
- arxiv url: http://arxiv.org/abs/2311.01777v1
- Date: Fri, 3 Nov 2023 08:27:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 14:48:01.666980
- Title: CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using
Machine Learning
- Title(参考訳): CheX-Nomaly:機械学習を用いた胸部X線からの肺異常の分離
- Authors: Sanskriti Singh
- Abstract要約: 本稿では,二元化ローカライズU-netモデルであるCheX-nomalyを提案する。
対照的な学習手法を取り入れることで,異常局所化モデルの一般化性を大幅に向上できることを示す。
また,バウンディングボックスセグメンテーションにおけるU-nets性能を向上させるために,新たな損失手法を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The global challenge in chest radiograph X-ray (CXR) abnormalities often
being misdiagnosed is primarily associated with perceptual errors, where
healthcare providers struggle to accurately identify the location of
abnormalities, rather than misclassification errors. We currently address this
problem through disease-specific segmentation models. Unfortunately, these
models cannot be released in the field due to their lack of generalizability
across all thoracic diseases. A binary model tends to perform poorly when it
encounters a disease that isn't represented in the dataset. We present
CheX-nomaly: a binary localization U-net model that leverages transfer learning
techniques with the incorporation of an innovative contrastive learning
approach. Trained on the VinDr-CXR dataset, which encompasses 14 distinct
diseases in addition to 'no finding' cases, my model achieves generalizability
across these 14 diseases and others it has not seen before. We show that we can
significantly improve the generalizability of an abnormality localization model
by incorporating a contrastive learning method and dissociating the bounding
boxes with its disease class. We also introduce a new loss technique to apply
to enhance the U-nets performance on bounding box segmentation. By introducing
CheX-nomaly, we offer a promising solution to enhance the precision of chest
disease diagnosis, with a specific focus on reducing the significant number of
perceptual errors in healthcare.
- Abstract(参考訳): 胸部x線写真(cxr)における異常のグローバルチャレンジは、主に知覚エラーと関連しており、医療提供者は誤分類ではなく、異常の正確な位置を特定するのに苦労している。
現在,疾患特異的セグメンテーションモデルによってこの問題に対処している。
残念なことに、これらのモデルはすべての胸部疾患に対する一般化性の欠如のために、この分野ではリリースできない。
バイナリモデルは、データセットに表現されていない病気に遭遇すると、パフォーマンスが悪くなります。
トランスファー学習手法と革新的なコントラスト学習手法を組み込んだ,バイナリローカライズ型u-netモデルであるchex-nomalyを提案する。
VinDr-CXRデータセットでトレーニングされ、"発見できない"ケースに加えて、14の異なる疾患を含む。
対照学習法を取り入れ,境界ボックスとその病種を分離することで,異常局在モデルの一般化可能性を大幅に向上できることを示す。
また,境界ボックスセグメンテーションにおけるU-nets性能を向上させるために,新たな損失手法を提案する。
CheX-nomalyを導入することで、胸部疾患の診断精度を高めるための有望なソリューションを提供する。
関連論文リスト
- SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。
最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
論文 参考訳(メタデータ) (2023-11-13T21:07:07Z) - 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) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification
Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。
提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文 参考訳(メタデータ) (2022-11-12T23:28:54Z) - 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) - Covid-19 Detection from Chest X-ray and Patient Metadata using Graph
Convolutional Neural Networks [6.420262246029286]
本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。
提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
論文 参考訳(メタデータ) (2021-05-20T13:13:29Z) - CheXbreak: Misclassification Identification for Deep Learning Models
Interpreting Chest X-rays [5.263502842508203]
まず、胸部X線モデルが誤分類される可能性がある患者サブグループが存在するかを検討する。
胸部X線モデルの誤分類を予測するため, 患者年齢, 肺病変, 気胸のX線所見は統計的に有意な特徴である。
胸部X線モデルの出力と臨床特徴を用いた誤分類予測器を開発した。
論文 参考訳(メタデータ) (2021-03-18T00:30:19Z) - 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)
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。