論文の概要: An Explainable Contrastive-based Dilated Convolutional Network with Transformer for Pediatric Pneumonia Detection

• arxiv url: http://arxiv.org/abs/2410.16143v1
• Date: Mon, 21 Oct 2024 16:14:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:16:47.983853
• Title: An Explainable Contrastive-based Dilated Convolutional Network with Transformer for Pediatric Pneumonia Detection
• Title（参考訳）: 小児肺炎検出用トランスを用いた説明可能なコントラスト型拡張畳み込みネットワーク
• Authors: Chandravardhan Singh Raghaw, Parth Shirish Bhore, Mohammad Zia Ur Rehman, Nagendra Kumar,
• Abstract要約: 胸部X線写真を用いた早期診断は一般的であるが、未処理画像の放射線レベルが低いことやデータ不均衡の問題などが制限されている。 小児肺炎検出のための新規なXCCNet(Explainable Contrastive-based Dilated Convolutional Network)を提案する。 XCCNetは、拡張畳み込みの空間的パワーと、コントラストベースの変換器からのグローバルな洞察を有効機能改善に活用する。
• 参考スコア（独自算出の注目度）: 0.11650821883155184
• License:
• Abstract: Pediatric pneumonia remains a significant global threat, posing a larger mortality risk than any other communicable disease. According to UNICEF, it is a leading cause of mortality in children under five and requires prompt diagnosis. Early diagnosis using chest radiographs is the prevalent standard, but limitations include low radiation levels in unprocessed images and data imbalance issues. This necessitates the development of efficient, computer-aided diagnosis techniques. To this end, we propose a novel EXplainable Contrastive-based Dilated Convolutional Network with Transformer (XCCNet) for pediatric pneumonia detection. XCCNet harnesses the spatial power of dilated convolutions and the global insights from contrastive-based transformers for effective feature refinement. A robust chest X-ray processing module tackles low-intensity radiographs, while adversarial-based data augmentation mitigates the skewed distribution of chest X-rays in the dataset. Furthermore, we actively integrate an explainability approach through feature visualization, directly aligning it with the attention region that pinpoints the presence of pneumonia or normality in radiographs. The efficacy of XCCNet is comprehensively assessed on four publicly available datasets. Extensive performance evaluation demonstrates the superiority of XCCNet compared to state-of-the-art methods.
• Abstract（参考訳）: 小児肺炎は依然として重大な世界的な脅威であり、他の感染性疾患よりも死亡リスクが大きい。 UNICEFによると、これは5歳未満の小児の死亡の主な原因であり、迅速な診断が必要である。 胸部X線写真を用いた早期診断は一般的であるが、未処理画像の放射線レベルが低いことやデータ不均衡の問題などが制限されている。 これにより、効率的なコンピュータ支援診断技術の開発が必要とされる。 そこで本研究では,小児肺炎検出のための新規なXCCNet(Explainable Contrastive-based Dilated Convolutional Network)を提案する。 XCCNetは、拡張畳み込みの空間的パワーと、コントラストベースの変換器からのグローバルな洞察を有効機能改善に活用する。 頑健な胸部X線処理モジュールは低強度のX線撮影に取り組み、対角線に基づくデータはデータセット内の胸部X線の歪んだ分布を緩和する。 さらに, 特徴可視化による説明可能性のアプローチを積極的に統合し, 関心領域と直接一致させて, 画像中の肺炎の有無や正常さを判断する。 XCCNetの有効性は、4つの公開データセットで総合的に評価される。 大規模性能評価は、最先端手法と比較してXCCNetの優位性を示す。

関連論文リスト

• 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)
• Interpretable CNN-Multilevel Attention Transformer for Rapid Recognition of Pneumonia from Chest X-Ray Images [2.1408385210297656]
  本稿では,医療実践に高速な分析支援を実現するために,解釈可能な肺炎認識フレームワークを開発した。 認識過程を高速化する計算複雑性を低減するため,Transformer内の新しい多段階自己認識機構が提案されている。 本手法の有効性は,CXR画像データセットを用いた古典的な新型コロナウイルス認識タスクにおいて実証されている。
  論文  参考訳（メタデータ） (2022-10-29T12:12:03Z)
• 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)
• 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)
• Self-supervised deep convolutional neural network for chest X-ray classification [0.0]
  本研究では,ラベルのない胸部X線データセット上に事前訓練された自己監視型深部ニューラルネットワークを提案する。 4つの公開データセットで得られた結果は、私たちのアプローチが大量のラベル付きトレーニングデータを必要とせずに競争結果をもたらすことを示しています。
  論文  参考訳（メタデータ） (2021-03-04T14:28:37Z)
• 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)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• COVID-CXNet: Detecting COVID-19 in Frontal Chest X-ray Images using Deep Learning [6.098524160574895]
  ほとんどの患者において、胸部X線は、新型コロナウイルス(COVID-19)の肺炎の結果である凝固などの異常を含む。 大規模データセットの深部畳み込みニューラルネットワークを用いて,このタイプの肺炎の画像特徴を効率的に検出する研究を行った。
  論文  参考訳（メタデータ） (2020-06-16T21:31:02Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• Attention U-Net Based Adversarial Architectures for Chest X-ray Lung Segmentation [0.0]
  本稿では,診断パイプラインにおける基礎的,しかし困難な課題である肺分節に対する新しい深層学習手法を提案する。 本手法では, 逆批判モデルとともに, 最先端の完全畳み込みニューラルネットワークを用いる。 これは、患者プロファイルの異なる未確認データセットのCXRイメージによく当てはまり、JSRTデータセットの最終的なDSCRは97.5%に達した。
  論文  参考訳（メタデータ） (2020-03-23T14:45:48Z)

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。