論文の概要: Improving Pediatric Pneumonia Diagnosis with Adult Chest X-ray Images Utilizing Contrastive Learning and Embedding Similarity
- arxiv url: http://arxiv.org/abs/2404.12958v1
- Date: Fri, 19 Apr 2024 15:40:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-22 14:36:33.636309
- Title: Improving Pediatric Pneumonia Diagnosis with Adult Chest X-ray Images Utilizing Contrastive Learning and Embedding Similarity
- Title（参考訳）: コントラスト学習と埋め込み類似性を利用した成人胸部X線画像による小児肺炎診断の改善
- Authors: Mohammad Zunaed, Anwarul Hasan, Taufiq Hasan,
- Abstract要約: 本稿では,小児テストデータセット上でのディープラーニングモデルの性能向上を目的とした3分岐並列パス学習フレームワークを提案する。
提案手法は, クラスワイド埋め込みのクラスタ化と, クラスワイド埋め込みを極力近いものにするため, ドメインシフトの影響を低減するために, クラスワイド埋め込みのクラスタリングと3つの並列パス間の埋め込み類似性損失を利用する。
- 参考スコア（独自算出の注目度）: 2.0318411357438086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the advancement of deep learning-based computer-aided diagnosis (CAD) methods for pneumonia from adult chest x-ray (CXR) images, the performance of CAD methods applied to pediatric images remains suboptimal, mainly due to the lack of large-scale annotated pediatric imaging datasets. Establishing a proper framework to leverage existing adult large-scale CXR datasets can thus enhance pediatric pneumonia detection performance. In this paper, we propose a three-branch parallel path learning-based framework that utilizes both adult and pediatric datasets to improve the performance of deep learning models on pediatric test datasets. The paths are trained with pediatric only, adult only, and both types of CXRs, respectively. Our proposed framework utilizes the multi-positive contrastive loss to cluster the classwise embeddings and the embedding similarity loss among these three parallel paths to make the classwise embeddings as close as possible to reduce the effect of domain shift. Experimental evaluations on open-access adult and pediatric CXR datasets show that the proposed method achieves a superior AUROC score of 0.8464 compared to 0.8348 obtained using the conventional approach of join training on both datasets. The proposed approach thus paves the way for generalized CAD models that are effective for both adult and pediatric age groups.
- Abstract（参考訳）: 成人胸部X線画像(CXR)からの肺炎の深層学習に基づくコンピュータ支援診断(CAD)法の進歩にもかかわらず、小児画像に適用されたCAD法の性能は、主に大規模な注釈画像データセットが欠如していることから、最適以下である。
既存の成人用大規模CXRデータセットを活用するための適切なフレームワークを確立することで、小児肺炎検出性能を向上させることができる。
本稿では,成人用および小児用両方のデータセットを用いて,小児用テストデータセット上でのディープラーニングモデルの性能向上を図る3分岐並列パス学習フレームワークを提案する。
経路は、それぞれ小児のみ、成人のみ、およびCXRの2種類で訓練される。
提案手法は, クラスワイド埋め込みのクラスタ化と, クラスワイド埋め込みを極力近いものにするため, ドメインシフトの影響を低減するために, クラスワイド埋め込みのクラスタリングと3つの並列パス間の埋め込み類似性損失を利用する。
オープンアクセスアダルトと小児のCXRデータセットの実験的評価から,提案手法は従来の2つのデータセットのジョイントトレーニング手法を用いて得られた0.8348に対して,AUROCスコアが0.8464であることがわかった。
提案手法は,成人群と小児群の両方に有効なCADモデルの一般化の道を開くものである。
関連論文リスト
- Self-Supervised Learning for Building Robust Pediatric Chest X-ray Classification Models [4.208033504249755]
本研究では,移動学習と自己教師付きコントラスト学習を組み合わせた新しいアプローチであるSCCを提案する。
我々は、ある小児科のCXRデータセットでSCCをトレーニングし、異なるソースから他の2つの小児科のデータセットでその性能を評価する。
以上の結果から,SCCのアウト・オブ・ディストリビューション(ゼロショット)性能は,AUCの13.6%,34.6%以上であることがわかった。
論文 参考訳（メタデータ） (2024-08-30T19:50:23Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Generalizability of Deep Adult Lung Segmentation Models to the Pediatric
Population: A Retrospective Study [3.083972552471178]
胸部X線(CXRs)の肺分画は心肺疾患の診断の特異性を改善する重要な前提条件である。
現在の肺分画の深層学習モデルはCXRデータセットを用いて訓練され評価され、X線投影は成体から主に捉えられる。
肺の形状は幼少期から成人期にかけて大きく異なることが報告されている。
論文 参考訳（メタデータ） (2022-11-04T14:06:51Z) - Deep Learning Mixture-of-Experts Approach for Cytotoxic Edema Assessment
in Infants and Children [0.6291681227094761]
本稿では,小児の細胞毒性浮腫 (CE) 診断における画像分類のための深層学習フレームワークを提案する。
提案フレームワークは2種類の臨床MRIデータから学習するために最適化された2つの3Dネットワークアーキテクチャを含む。
論文 参考訳（メタデータ） (2022-10-06T14:21:44Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳（メタデータ） (2021-08-14T08:14:52Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z)
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。