論文の概要: AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images

• arxiv url: http://arxiv.org/abs/2410.15437v1
• Date: Sun, 20 Oct 2024 16:08:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:19:37.615151
• Title: AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images
• Title（参考訳）: AttCDCNet:X線画像を用いた注意強調胸部疾患分類
• Authors: Omar Hesham Khater, Abdullahi Sani Shuaib, Sami Ul Haq, Abdul Jabbar Siddiqui,
• Abstract要約: X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。 提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Chest X-rays (X-ray images) have been proven to be effective for the diagnosis of chest diseases, including Pneumonia, Lung Opacity, and COVID-19. However, relying on traditional medical methods for diagnosis from X-ray images is prone to delays and inaccuracies because the medical personnel who evaluate the X-ray images may have preconceived biases. For this reason, researchers have proposed the use of deep learning-based techniques to facilitate the diagnosis process. The preeminent method is the use of sophisticated Convolutional Neural Networks (CNNs). In this paper, we propose a novel detection model named \textbf{AttCDCNet} for the task of X-ray image diagnosis, enhancing the popular DenseNet121 model by adding an attention block to help the model focus on the most relevant regions, using focal loss as a loss function to overcome the imbalance of the dataset problem, and utilizing depth-wise convolution to reduce the parameters to make the model lighter. Through extensive experimental evaluations, the proposed model demonstrates exceptional performance, showing better results than the original DenseNet121. The proposed model achieved an accuracy, precision and recall of 94.94%, 95.14% and 94.53%, respectively, on the COVID-19 Radiography Dataset.
• Abstract（参考訳）: 胸部X線(X線画像)は、肺炎、肺Opacity、COVID-19などの胸部疾患の診断に有効であることが証明されている。 しかしながら、X線画像から診断する従来の医療手法は、X線画像を評価する医療従事者が偏見を先入観していたため、遅延や不正確な場合が多い。 このため、研究者らは、診断プロセスを容易にするためにディープラーニングベースの技術を使うことを提案した。 代表的な方法は、洗練された畳み込みニューラルネットワーク(CNN)の利用である。 本稿では,X線画像診断の課題に対する新しい検出モデルである「textbf{AttCDCNet}」を提案するとともに,モデルが最も関連性の高い領域に焦点を合わせるための注意ブロックを追加し,データセット問題の不均衡を克服するために焦点損失を損失関数として利用し,奥行きの畳み込みを利用してモデルの軽量化を図ることにより,一般的なDenseNet121モデルを強化する。 実験的な評価により,提案モデルでは,従来のDenseNet121よりも優れた性能を示した。 提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。

関連論文リスト

• Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
  胸部X線(CXR)を低分解能で診断する上での課題について検討した。 高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。 本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T06:10:54Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• 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)
• Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost [0.0]
  X線画像から新型コロナウイルスを診断するための新しいアプローチが提案された。 深部神経ネットワークDenseNet169を用いて,患者の胸部X線像の特徴を抽出した。
  論文  参考訳（メタデータ） (2021-09-03T13:41:13Z)
• 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)
• PDCOVIDNet: A Parallel-Dilated Convolutional Neural Network Architecture for Detecting COVID-19 from Chest X-Ray Images [1.4824891788575418]
  新型コロナウイルスのパンデミックは、世界保健システムの繁栄を著しく損なわれ続けている。 胸部X線画像による放射線学的評価は,重要なスクリーニング技術の一つである。 胸部X線画像を用いた並列拡散畳み込みニューラルネットワークによる新型コロナウイルス検出システムを提案する。
  論文  参考訳（メタデータ） (2020-07-29T12:28:16Z)
• An Uncertainty-aware Transfer Learning-based Framework for Covid-19 Diagnosis [10.832659320593347]
  本稿では,医療画像を用いたCOVID-19検出のための深層不確実性認識型トランスファー学習フレームワークを提案する。 4つの一般的な畳み込みニューラルネットワーク(CNN)を用いて胸部X線画像とCT画像から深い特徴を抽出する。 抽出された機能は、さまざまな機械学習と統計モデリング技術によって処理され、新型コロナウイルスの症例を特定する。
  論文  参考訳（メタデータ） (2020-07-26T20:15:01Z)
• Context Learning for Bone Shadow Exclusion in CheXNet Accuracy Improvement [14.18754838863113]
  ChestX-ray14データセットには、14の疾患のX線画像が10万枚以上含まれており、精度の高いモデルがいくつか提案されている。 胸部X線画像における肺疾患診断のためのワークフローを構築し,最先端モデルのAUROCを0.8414から0.8445に改善する。
  論文  参考訳（メタデータ） (2020-05-13T07:29:03Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)
• Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network [6.381149074212898]
  胸部X線は、新型コロナウイルスの診断に重要な役割を果たす最初のイメージング技術である。 大規模な注釈付き画像データセットの高可用性のため、画像認識と分類のために畳み込みニューラルネットワーク(CNN)を使用して大きな成功を収めている。 トランスファーラーニングのおかげで、汎用オブジェクト認識タスクからドメイン固有のタスクに知識を移すことで、有望なソリューションを提供することができる。
  論文  参考訳（メタデータ） (2020-03-26T15:18:45Z)

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。