論文の概要: Long-tailed multi-label classification with noisy label of thoracic diseases from chest X-ray

• arxiv url: http://arxiv.org/abs/2311.17334v1
• Date: Wed, 29 Nov 2023 03:21:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 22:39:25.775594
• Title: Long-tailed multi-label classification with noisy label of thoracic diseases from chest X-ray
• Title（参考訳）: 胸部x線による胸部疾患のノイズラベル付きロングテールマルチラベル分類
• Authors: Haoran Lai and Qingsong Yao and Zhiyang He and Xiaodong Tao and S Kevin Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.385189528192118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest X-rays (CXR) often reveal rare diseases, demanding precise diagnosis. However, current computer-aided diagnosis (CAD) methods focus on common diseases, leading to inadequate detection of rare conditions due to the absence of comprehensive datasets. To overcome this, we present a novel benchmark for long-tailed multi-label classification in CXRs, encapsulating both common and rare thoracic diseases. Our approach includes developing the "LTML-MIMIC-CXR" dataset, an augmentation of MIMIC-CXR with 26 additional rare diseases. We propose a baseline method for this classification challenge, integrating adaptive negative regularization to address negative logits' over-suppression in tail classes, and a large loss reconsideration strategy for correcting noisy labels from automated annotations. Our evaluation on LTML-MIMIC-CXR demonstrates significant advancements in rare disease detection. This work establishes a foundation for robust CAD methods, achieving a balance in identifying a spectrum of thoracic diseases in CXRs. Access to our code and dataset is provided at:https://github.com/laihaoran/LTML-MIMIC-CXR.
• Abstract（参考訳）: 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する。 しかし、現在のコンピュータ支援診断(CAD)法は、一般的な疾患に焦点を当てており、包括的データセットが欠如しているため、稀な疾患の発見が不十分である。 そこで本研究では, 胸部疾患と稀な疾患を包含したcxrsのロングテールマルチ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。 本稿では,末尾クラスにおける負のロジットの過剰抑制に対処するための適応的負の正規化と,自動アノテーションから雑音ラベルを修正するための大きな損失再検討戦略を提案する。 LTML-MIMIC-CXRに対する評価は,まれな疾患検出の進歩を示す。 この研究は、CXRの胸部疾患のスペクトルを特定するためのバランスを達成し、堅牢なCAD手法の基礎を確立する。 コードとデータセットへのアクセスは、https://github.com/laihaoran/LTML-MIMIC-CXR.comで提供されます。

関連論文リスト

• LTCXNet: Advancing Chest X-Ray Analysis with Solutions for Long-Tailed Multi-Label Classification and Fairness Challenges [4.351007758390175]
  Pruned MIMIC-CXR-LTデータセットは、長い尾と多ラベルのデータシナリオを表現するように設計されている。 本稿では,ConvNeXtモデル,ML-Decoder,戦略的データ拡張を統合した新しいフレームワークであるLCCXNetを紹介する。
  論文  参考訳（メタデータ） (2024-11-16T08:59:20Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Effective-LDAM: An Effective Loss Function To Mitigate Data Imbalance for Robust Chest X-Ray Disease Classification [0.02609206307458148]
  E-LDAM(Effective-Label Distribution Aware Margin)と呼ばれるアルゴリズム中心のアプローチを提案する。 E-LDAMは,各クラスで有効なサンプル数を用いて,広く採用されているラベル分布認識マージン(LDAM)損失関数のマージンを変更する。 実験の結果,E-LDAM法の有効性が示され,マイノリティクラスでは97.81%という顕著なリコールスコアが得られた。
  論文  参考訳（メタデータ） (2024-07-06T04:24:07Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
  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。
  論文  参考訳（メタデータ） (2023-10-24T18:26:22Z)
• Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
  本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。 我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。 私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
  論文  参考訳（メタデータ） (2023-08-17T08:25:55Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Early Diagnosis of Chronic Obstructive Pulmonary Disease from Chest X-Rays using Transfer Learning and Fusion Strategies [1.234198411367205]
  慢性閉塞性肺疾患(慢性閉塞性肺疾患、COPD)は、世界でも最も多い慢性疾患の一つであり、世界第3位の死因である。 診断は後年まで行われなかったり、診断されなかったりすることが多い。 スピロメトリテストは、PDを診断するための金の標準であるが、特に資源不足国では入手が困難である。 胸部X線(CXR)は容易に利用可能であり、さらなる検査を行うべき COPD 患者のスクリーニングツールとして機能する。
  論文  参考訳（メタデータ） (2022-11-13T15:12:22Z)
• 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)
• Genome Sequence Classification for Animal Diagnostics with Graph Representations and Deep Neural Networks [4.339839287869652]
  ウシ呼吸器疾患複合体(英: Bovine Respiratory Disease Complex, BRDC)は、ウシに細菌やウイルスを含む複数の病因を持つ複雑な呼吸器疾患である。 現在の動物疾患診断は、細菌培養、血清分析、PCR(PCR)検査などの従来の検査に基づいている。 ネットワークベースの機械学習アプローチは、最大89.7%の精度で病原体シグネチャを検出することができる。
  論文  参考訳（メタデータ） (2020-07-24T22:30:18Z)

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。