論文の概要: LeDNet: Localization-enabled Deep Neural Network for Multi-Label Radiography Image Classification
- arxiv url: http://arxiv.org/abs/2407.03931v1
- Date: Thu, 4 Jul 2024 13:46:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 17:53:13.156007
- Title: LeDNet: Localization-enabled Deep Neural Network for Multi-Label Radiography Image Classification
- Title（参考訳）: LeDNet:マルチラベルラジオグラフィ画像分類のためのローカライズ対応ディープニューラルネットワーク
- Authors: Lalit Pant, Shubham Arora,
- Abstract要約: マルチラベルラジオグラフィー画像分類は、長い間ニューラルネットワーク研究における関心のトピックであった。
胸部X線画像を用いて胸部疾患を診断する。
胸部疾患を高精度に予測するために,LDNetと呼ばれる局所化アルゴリズムと深層学習アルゴリズムの組み合わせを提案する。
- 参考スコア（独自算出の注目度）: 0.1227734309612871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-label radiography image classification has long been a topic of interest in neural networks research. In this paper, we intend to classify such images using convolution neural networks with novel localization techniques. We will use the chest x-ray images to detect thoracic diseases for this purpose. For accurate diagnosis, it is crucial to train the network with good quality images. But many chest X-ray images have irrelevant external objects like distractions created by faulty scans, electronic devices scanned next to lung region, scans inadvertently capturing bodily air etc. To address these, we propose a combination of localization and deep learning algorithms called LeDNet to predict thoracic diseases with higher accuracy. We identify and extract the lung region masks from chest x-ray images through localization. These masks are superimposed on the original X-ray images to create the mask overlay images. DenseNet-121 classification models are then used for feature selection to retrieve features of the entire chest X-ray images and the localized mask overlay images. These features are then used to predict disease classification. Our experiments involve comparing classification results obtained with original CheXpert images and mask overlay images. The comparison is demonstrated through accuracy and loss curve analyses.
- Abstract（参考訳）: マルチラベルラジオグラフィー画像分類は、長い間ニューラルネットワーク研究における関心のトピックであった。
本稿では,新しいローカライゼーション手法を用いた畳み込みニューラルネットワークを用いて,そのような画像を分類する。
胸部X線画像を用いて胸部疾患を検出する。
正確な診断のためには、高品質な画像でネットワークを訓練することが不可欠である。
しかし、多くの胸部X線画像は、欠陥スキャン、肺領域の隣でスキャンされた電子機器、不注意に身体の空気を捕捉するスキャンなど、無関係な外部オブジェクトを持っている。
そこで本稿では, 胸部疾患を高精度に予測するために, 局所化アルゴリズムと深層学習アルゴリズムを組み合わせたLeDNetを提案する。
胸部X線像から肺領域マスクを局在化して抽出する。
これらのマスクは元のX線画像に重畳され、マスクオーバーレイ画像を生成する。
次に、DenseNet-121分類モデルを用いて、胸部X線画像と局所化マスクオーバーレイ画像の特徴を検索する。
これらの特徴は疾患の分類を予測するために使用される。
実験では,元のCheXpert画像とマスクオーバーレイ画像との分類結果の比較を行った。
この比較は、精度と損失曲線解析によって示される。
関連論文リスト
- Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳（メタデータ） (2022-11-14T03:51:12Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Interpretation of Chest x-rays affected by bullets using deep transfer
learning [0.8189696720657246]
放射線学における深層学習は、異なる疾患を分類し、検出し、分類する機会を提供する。
提案した研究では,X線を銃弾の影響を受け,局所的に分類する医療画像の非自明な側面について検討した。
深層学習を用いた弾による放射線画像の検出と分類に関する最初の研究である。
論文 参考訳（メタデータ） (2022-03-25T05:53:45Z) - 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) - GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease
Localization in X-ray images [35.18562405272593]
コンテキスト情報や補償情報として、クロスリージョンとクロスイメージの関係は、より一貫性のある統合された領域を得るために不可欠である。
胸部X線画像上の疾患の特定に画像内および画像間情報を活用するグラフ正規化埋め込みネットワーク(GREN)を提案する。
このことから,本研究はNIH胸部X線データを用いた軽度疾患局所化のための最先端の成果を得られた。
論文 参考訳（メタデータ） (2021-07-14T01:27:07Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - 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) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - Comparing Different Deep Learning Architectures for Classification of
Chest Radiographs [0.0]
胸部ラジオグラフィーを分類するほとんどのモデルは、大きな画像データセットに基づいて訓練されたディープニューラルネットワークに由来する。
より小さなネットワークでは、胸部X線写真はより深いニューラルネットワークと正確に分類できる可能性が示されている。
論文 参考訳（メタデータ） (2020-02-20T19:47:16Z)
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。