論文の概要: Efficient and Accurate Pneumonia Detection Using a Novel Multi-Scale Transformer Approach
- arxiv url: http://arxiv.org/abs/2408.04290v2
- Date: Sun, 3 Nov 2024 11:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-08 12:22:45.568450
- Title: Efficient and Accurate Pneumonia Detection Using a Novel Multi-Scale Transformer Approach
- Title(参考訳): マルチスケールトランスを用いた高効率かつ高精度肺炎検出
- Authors: Alireza Saber, Pouria Parhami, Alimohammad Siahkarzadeh, Mansoor Fateh, Amirreza Fateh,
- Abstract要約: 胸部X線からの肺炎検出を促進するために,ディープラーニングとトランスフォーマーに基づく注意機構を組み合わせた新しいアプローチを提案する。
本手法は,トランスUNetモデルを用いて肺のセグメンテーションから開始する。
提案手法は,Kermanyデータセットで92.79%,Cohenデータセットで95.11%の精度を達成する。
- 参考スコア(独自算出の注目度): 1.2233362977312945
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pneumonia, a severe respiratory disease, poses significant diagnostic challenges, especially in underdeveloped regions. Traditional diagnostic methods, such as chest X-rays, suffer from variability in interpretation among radiologists, necessitating reliable automated tools. In this study, we propose a novel approach combining deep learning and transformer-based attention mechanisms to enhance pneumonia detection from chest X-rays. Our method begins with lung segmentation using a TransUNet model that integrates our specialized transformer module, which has fewer parameters compared to common transformers while maintaining performance. This model is trained on the "Chest Xray Masks and Labels" dataset and then applied to the Kermany and Cohen datasets to isolate lung regions, enhancing subsequent classification tasks. For classification, we employ pre-trained ResNet models (ResNet-50 and ResNet-101) to extract multi-scale feature maps, processed through our modified transformer module. By employing our specialized transformer, we attain superior results with significantly fewer parameters compared to common transformer models. Our approach achieves high accuracy rates of 92.79% on the Kermany dataset and 95.11% on the Cohen dataset, ensuring robust and efficient performance suitable for resource-constrained environments. "https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia"
- Abstract(参考訳): 重篤な呼吸器疾患である肺炎は、特に未発達の地域では重大な診断上の課題を引き起こす。
胸部X線などの従来の診断法は、信頼できる自動化ツールを必要とする放射線技師の間で解釈のばらつきに悩まされている。
本研究では,胸部X線からの肺炎検出を促進するために,ディープラーニングとトランスフォーマーに基づく注意機構を組み合わせた新しいアプローチを提案する。
提案手法は,TransUNetモデルを用いて肺の分画から開始する。
このモデルは、"Chest Xray Masks and Labels"データセットに基づいてトレーニングされ、KermanyとCohenデータセットに適用して、肺領域を分離し、その後の分類タスクを強化する。
分類には事前訓練されたResNetモデル(ResNet-50とResNet-101)を用いてマルチスケールの特徴マップを抽出し、修正したトランスフォーマーモジュールを通して処理する。
特殊変圧器を用いることで、一般的な変圧器モデルに比べてパラメータが大幅に少ない優れた結果が得られる。
提案手法は,Kermanyデータセットで92.79%,Cohenデータセットで95.11%の精度を実現し,資源制約環境に適した堅牢で効率的な性能を実現する。
『https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia』
関連論文リスト
- Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection [0.0]
CTスキャン画像の正確な肺結節検出は現実の環境では困難である。
カスタムデータ前処理とデフォルマブル検出変換器(Deformable-DETR)を利用した新しいソリューションを提案する。
7.5mmの最大強度投影(MIP)を用いて、隣接する肺スライスを単一の画像に組み合わせ、スライス数を減らし、間隔を小さくする。
我々のモデルは、94.2%のF1スコア(95.2%のリコール、93.3%の精度)でLUNA16データセットの最先端性能を達成する。
論文 参考訳(メタデータ) (2024-09-08T19:24:38Z) - A novel method to enhance pneumonia detection via a model-level
ensembling of CNN and vision transformer [0.7499722271664147]
肺炎は世界中で致死率と死亡率の主要な原因である。
深層学習は胸部X線(CXR)画像から肺炎を検出する大きな可能性を示している。
我々は,モデルレベルのアンサンブルにより,畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーネットワークを融合させる新しいモデルを開発した。
論文 参考訳(メタデータ) (2024-01-04T16:58:31Z) - Automatic segmentation of lung findings in CT and application to Long
COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。
S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文 参考訳(メタデータ) (2023-10-13T23:42:43Z) - A Data Augmentation Method and the Embedding Mechanism for Detection and
Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。
肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-03-02T13:58:45Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳(メタデータ) (2023-03-02T07:47:07Z) - An Adaptive and Altruistic PSO-based Deep Feature Selection Method for
Pneumonia Detection from Chest X-Rays [28.656853454251426]
肺炎は、特に世界の所得不足地域での小児死亡の主な原因の1つである。
コンピュータ支援型診断システム(CAD)は,プロの医療専門家よりも手術コストが低いため,そのような国で利用することができる。
深層学習の概念とメタヒューリスティックアルゴリズムを用いて,胸部X線からの肺炎検出のためのCADシステムを提案する。
論文 参考訳(メタデータ) (2022-08-06T18:20:50Z) - 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) - 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) - Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。
特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。
これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
論文 参考訳(メタデータ) (2021-08-09T02:46:11Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳(メタデータ) (2021-05-11T17:10:25Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳(メタデータ) (2020-03-27T11:32:18Z)
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。