Fugu-MT 論文翻訳(概要): EVA-X: A Foundation Model for General Chest X-ray Analysis with Self-supervised Learning

論文の概要: EVA-X: A Foundation Model for General Chest X-ray Analysis with Self-supervised Learning

arxiv url: http://arxiv.org/abs/2405.05237v1
Date: Wed, 8 May 2024 17:33:42 GMT
ステータス: 処理完了
システム内更新日: 2024-05-09 13:45:01.180197
Title: EVA-X: A Foundation Model for General Chest X-ray Analysis with Self-supervised Learning
Title（参考訳）: EVA-X: 自己教師型学習による全身胸部X線解析の基礎モデル
Authors: Jingfeng Yao, Xinggang Wang, Yuehao Song, Huangxuan Zhao, Jun Ma, Yajie Chen, Wenyu Liu, Bo Wang,
Abstract要約: EVA-Xは、様々な胸部疾患検出タスクに広く適用可能なX線画像に基づく革新的なモデルである。 EVA-Xは、20以上の異なる胸部疾患にまたがる最初のモデルであり、医療分野で11以上の異なる検出タスクを達成できる。
参考スコア（独自算出の注目度）: 31.907366219995556
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The diagnosis and treatment of chest diseases play a crucial role in maintaining human health. X-ray examination has become the most common clinical examination means due to its efficiency and cost-effectiveness. Artificial intelligence analysis methods for chest X-ray images are limited by insufficient annotation data and varying levels of annotation, resulting in weak generalization ability and difficulty in clinical dissemination. Here we present EVA-X, an innovative foundational model based on X-ray images with broad applicability to various chest disease detection tasks. EVA-X is the first X-ray image based self-supervised learning method capable of capturing both semantic and geometric information from unlabeled images for universal X-ray image representation. Through extensive experimentation, EVA-X has demonstrated exceptional performance in chest disease analysis and localization, becoming the first model capable of spanning over 20 different chest diseases and achieving leading results in over 11 different detection tasks in the medical field. Additionally, EVA-X significantly reduces the burden of data annotation in the medical AI field, showcasing strong potential in the domain of few-shot learning. The emergence of EVA-X will greatly propel the development and application of foundational medical models, bringing about revolutionary changes in future medical research and clinical practice. Our codes and models are available at: https://github.com/hustvl/EVA-X.
Abstract（参考訳）: 胸部疾患の診断と治療は、ヒトの健康維持に重要な役割を果たす。 X線検査は、その効率性と費用対効果により、最も一般的な臨床検査手段となった。胸部X線画像の人工知能解析法は、アノテーションの不十分なデータと様々なレベルのアノテーションによって制限され、その結果、一般化能力の低下と臨床拡散の困難が生じる。本稿では,様々な胸部疾患検出タスクに適用可能な,X線画像に基づく革新的な基礎モデルであるEVA-Xを提案する。 EVA-Xは、X線画像の普遍的な表現のために、ラベルのない画像から意味情報と幾何学的情報の両方をキャプチャできる、最初のX線画像に基づく自己教師付き学習法である。広範な実験を通じて、EVA-Xは、胸部疾患解析および局所化において例外的な性能を示し、20の異なる胸部疾患にまたがる最初のモデルとなり、医療分野で11以上の異なる検出タスクを達成した。さらに、EVA-Xは、医療AI分野におけるデータアノテーションの負担を大幅に減らし、少数ショット学習の領域における強力な可能性を示している。 EVA-Xの出現は、基礎医療モデルの開発と応用を大いに促進し、将来の医学研究と臨床実践に革命をもたらす。私たちのコードとモデルについては、https://github.com/hustvl/EVA-X.comで公開しています。

関連論文リスト

Computer-Aided Diagnosis of Thoracic Diseases in Chest X-rays using hybrid CNN-Transformer Architecture [1.0878040851637998]
自動コンピュータ支援診断システムは、胸部X線を解釈し、実行可能な洞察を提供することで、放射線科医を増強することができる。本研究では,DenseNet121 Convolutional Neural Network(CNN)を付加した新しいアーキテクチャを適用した。胸部X線による胸部疾患の診断において, 自己注意でCNNを増強する可能性が示唆された。
論文参考訳（メタデータ） (2024-04-18T01:46:31Z)
MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
論文参考訳（メタデータ） (2024-03-18T06:19:37Z)
DINO-CXR: A self supervised method based on vision transformer for chest X-ray classification [0.9883261192383611]
本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
論文参考訳（メタデータ） (2023-08-01T11:58:49Z)
Vision-Language Generative Model for View-Specific Chest X-ray Generation [18.347723213970696]
ViewXGenは、フロントビュー胸部X線を生成する既存のメソッドの制限を克服するように設計されている。提案手法は, データセット内の多様な視線位置を考慮し, 特定の視線を用いた胸部X線の生成を可能にする。
論文参考訳（メタデータ） (2023-02-23T17:13:25Z)
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)
Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
論文参考訳（メタデータ） (2021-06-13T11:20:31Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)
Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文参考訳（メタデータ） (2020-08-04T07:41:15Z)

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。