論文の概要: Cardiovascular Disease Detection from Multi-View Chest X-rays with BI-Mamba

• arxiv url: http://arxiv.org/abs/2405.18533v1
• Date: Tue, 28 May 2024 18:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 22:03:07.104168
• Title: Cardiovascular Disease Detection from Multi-View Chest X-rays with BI-Mamba
• Title（参考訳）: BI-マンバを用いた多視点胸部X線による心血管疾患の検出
• Authors: Zefan Yang, Jiajin Zhang, Ge Wang, Mannudeep K. Kalra, Pingkun Yan,
• Abstract要約: CVDリスク予測のための胸部X線検査の有用性について検討した。 状態空間列モデル(SSM)に着想を得て,両方向画像マンバ(BI-Mamba)を提案する。 その結果、BI-MambaはResNet-50とViT-Sを同等のパラメータサイズで上回り、トレーニング中に大量のGPUメモリを節約していることがわかった。
• 参考スコア（独自算出の注目度）: 13.125040599631939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of Cardiovascular disease (CVD) risk in medical imaging is central to effective patient health management. Previous studies have demonstrated that imaging features in computed tomography (CT) can help predict CVD risk. However, CT entails notable radiation exposure, which may result in adverse health effects for patients. In contrast, chest X-ray emits significantly lower levels of radiation, offering a safer option. This rationale motivates our investigation into the feasibility of using chest X-ray for predicting CVD risk. Convolutional Neural Networks (CNNs) and Transformers are two established network architectures for computer-aided diagnosis. However, they struggle to model very high resolution chest X-ray due to the lack of large context modeling power or quadratic time complexity. Inspired by state space sequence models (SSMs), a new class of network architectures with competitive sequence modeling power as Transfomers and linear time complexity, we propose Bidirectional Image Mamba (BI-Mamba) to complement the unidirectional SSMs with opposite directional information. BI-Mamba utilizes parallel forward and backwark blocks to encode longe-range dependencies of multi-view chest X-rays. We conduct extensive experiments on images from 10,395 subjects in National Lung Screening Trail (NLST). Results show that BI-Mamba outperforms ResNet-50 and ViT-S with comparable parameter size, and saves significant amount of GPU memory during training. Besides, BI-Mamba achieves promising performance compared with previous state of the art in CT, unraveling the potential of chest X-ray for CVD risk prediction.
• Abstract（参考訳）: 医療画像における心血管疾患(CVD)リスクの正確な予測は、患者の健康管理に重要である。 従来の研究では、CT(Computed tomography)における画像特徴がCVDのリスクを予測するのに役立つことが示されている。 しかし、CTには顕著な放射線曝露があり、患者に悪影響を及ぼす可能性がある。 対照的に、胸部X線は放射線のレベルを著しく低くし、より安全な選択肢を提供する。 本研究は,胸部X線によるCVDリスク予測の可能性について検討する。 畳み込みニューラルネットワーク(CNN)とトランスフォーマーは、コンピュータ支援診断のための確立された2つのネットワークアーキテクチャである。 しかし、大きなコンテキストモデリング能力や2次時間複雑性が欠如しているため、非常に高解像度の胸部X線をモデル化するのに苦労している。 状態空間列モデル (SSM) に触発され, 競合するシーケンスモデリング能力を持つネットワークアーキテクチャをトランスフォーマーとして, 線形時間複雑性として, 両方向画像マンバ (BI-Mamba) を提案し, 反対方向情報で一方向SSMを補完する。 BI-Mambaは、マルチビュー胸部X線の長距離依存性を符号化するために、並列フォワードブロックとバックウォークブロックを利用する。 NLST(National Lung Screening Trail)における10,395名の被験者の画像について広範な実験を行った。 その結果、BI-MambaはResNet-50とViT-Sを同等のパラメータサイズで上回り、トレーニング中に大量のGPUメモリを節約していることがわかった。 また, BI-Mambaは従来のCTと比較して有望な性能を示し, CVDリスク予測のための胸部X線の可能性を明らかにする。

関連論文リスト

• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• 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)
• MSKdeX: Musculoskeletal (MSK) decomposition from an X-ray image for fine-grained estimation of lean muscle mass and muscle volume [5.1294076116231455]
  サルコペン症や骨粗しょう症などの筋骨格疾患は、加齢に伴う健康にとって大きな障害である。 そこで本研究では,原X線像,低コスト,低放射能,高アクセス性画像モダリティから微細な筋肉特性を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T14:56:18Z)
• Vision Transformer-based Model for Severity Quantification of Lung Pneumonia Using Chest X-ray Images [11.12596879975844]
  我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。 本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
  論文  参考訳（メタデータ） (2023-03-18T12:38:23Z)
• Improving Computed Tomography (CT) Reconstruction via 3D Shape Induction [3.1498833540989413]
  再現モデルのトレーニング中に現実的なX線分布を取り入れた新しい手法として,CTの監督なしに3次元CTの形状を学習する形状誘導法を提案する。 本研究は, 肺疾患におけるCTの知覚的品質と下流分類の精度を両立させることを実証した。
  論文  参考訳（メタデータ） (2022-08-23T13:06:02Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• COVID-19 Lung Lesion Segmentation Using a Sparsely Supervised Mask R-CNN on Chest X-rays Automatically Computed from Volumetric CTs [6.837968548581353]
  新型コロナウイルス感染症2019(COVID-19)患者の胸部X線は、肺疾患の程度を決定するために頻繁に取得される。 新型コロナウイルス患者の胸部X線検査よりCTの頻度がはるかに低いことから、胸部X線による肺病変の自動切除は臨床的に有用である可能性がある。 オープンソース胸部X線と冠状X線プロジェクションの混合データセットを用いて訓練したMask R-CNNを用いた胸部X線上のCOVID-19肺病変のセグメンテーションのための自動パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-05-17T20:27:32Z)
• 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)
• 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)
• RCoNet: Deformable Mutual Information Maximization and High-order Uncertainty-aware Learning for Robust COVID-19 Detection [12.790651338952005]
  2019年のコロナウイルス(COVID-19)感染は世界中に広まり、現在、世界中で大きな医療課題となっている。 胸部X線(CXR)画像中のCOVID-19の検出はCTよりも高速で低コストであり, 診断, 評価, 治療に有用である。 Em Deformable Mutual Information Maximization (DeIM), em Mixed High-order Moment Feature (MMMF) と em Multi- を併用した,ロバストな COVID-19 検出のための新しいディープネットワークである em RCoNet$k_s$ を提案する。
  論文  参考訳（メタデータ） (2021-02-22T15:13:42Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)

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。