論文の概要: Navigating limitations with precision: A fine-grained ensemble approach to wrist pathology recognition on a limited x-ray dataset

• arxiv url: http://arxiv.org/abs/2412.13884v1
• Date: Wed, 18 Dec 2024 14:23:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-19 16:47:54.178685
• Title: Navigating limitations with precision: A fine-grained ensemble approach to wrist pathology recognition on a limited x-ray dataset
• Title（参考訳）: 精度による航法限界: 限られたX線データセットを用いた手首病理診断のためのきめ細かいアンサンブルアプローチ
• Authors: Ammar Ahmed, Ali Shariq Imran, Mohib Ullah, Zenun Kastrati, Sher Muhammad Daudpota,
• Abstract要約: 本研究は,手首の病理診断を微細な視覚認識問題として取り組んだものである。 我々は,X線中の識別領域を特定するために,特殊なFGVRベースのアンサンブルアプローチを導入する。 私たちはこれらの領域を特定するために、Grad-CAMと呼ばれる説明可能なAI(XAI)技術を使用します。
• 参考スコア（独自算出の注目度）: 4.653005379506948
• License:
• Abstract: The exploration of automated wrist fracture recognition has gained considerable research attention in recent years. In practical medical scenarios, physicians and surgeons may lack the specialized expertise required for accurate X-ray interpretation, highlighting the need for machine vision to enhance diagnostic accuracy. However, conventional recognition techniques face challenges in discerning subtle differences in X-rays when classifying wrist pathologies, as many of these pathologies, such as fractures, can be small and hard to distinguish. This study tackles wrist pathology recognition as a fine-grained visual recognition (FGVR) problem, utilizing a limited, custom-curated dataset that mirrors real-world medical constraints, relying solely on image-level annotations. We introduce a specialized FGVR-based ensemble approach to identify discriminative regions within X-rays. We employ an Explainable AI (XAI) technique called Grad-CAM to pinpoint these regions. Our ensemble approach outperformed many conventional SOTA and FGVR techniques, underscoring the effectiveness of our strategy in enhancing accuracy in wrist pathology recognition.
• Abstract（参考訳）: 近年,手首骨折の自動診断の探究が注目されている。 現実的な医療シナリオでは、医師や外科医は正確なX線解釈に必要な専門知識を欠き、診断精度を高めるための機械ビジョンの必要性を強調している。 しかし、従来の認識技術は、手首の病理を分類する際に、X線の微妙な違いを識別する上で困難に直面している。 本研究は,手首の病理診断を微細な視覚認識(FGVR)問題として取り組んだもので,実世界の医学的制約を反映し,画像レベルのアノテーションにのみ依存する,限定されたカスタマイズされたデータセットを活用している。 我々は,X線中の識別領域を特定するために,特殊なFGVRベースのアンサンブルアプローチを導入する。 私たちはこれらの領域を特定するために、Grad-CAMと呼ばれる説明可能なAI(XAI)技術を使用します。 アンサンブル法は従来のSOTA法やFGVR法よりも優れており,手首病理診断における精度向上のための戦略の有効性が示唆された。

関連論文リスト

• Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
  生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。 既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。 本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-16T12:36:20Z)
• Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset [4.391219238034502]
  悪性腫瘍,特に小児・青年に共通する骨折は重要な診断課題である。 近年の深部畳み込みニューラルネットワークの進歩は、外傷X線における病理検出の自動化を約束している。 従来の手作業による注釈は効果的だが、精巧で費用がかかり、専門的な専門知識を必要とする。 手動で介入することなく、X線における識別領域を自動的に識別することを目的とした、きめ細かいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-24T10:14:52Z)
• 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)
• Towards Universal Unsupervised Anomaly Detection in Medical Imaging [13.161402789616004]
  現実的な擬似健康再構築を実現するために,新しい教師なし異常検出手法であるtextitReversed Auto-Encoders (RA) を提案する。 提案手法は, 脳のMRI, 小児手首X線, 胸部X線など, 様々な画像モダリティにまたがって評価される。 医用画像の診断精度は, より広い範囲の未知の病態を同定することによって向上する可能性がある。
  論文  参考訳（メタデータ） (2024-01-19T11:35:07Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Anatomy-Driven Pathology Detection on Chest X-rays [17.670821896026137]
  本稿では,解剖学のプロキシとして解剖学的領域の境界ボックスを用いた解剖学駆動型病理診断(ADPD)を提案する。 解剖学レベルの病理組織ラベルを用いた教師ありトレーニングと画像レベルの病理組織ラベルを用いたマルチインスタンスラーニング(MIL)の2つのトレーニング手法について検討した。 以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全な教師付き検出よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-05T20:58:15Z)
• DeepLOC: Deep Learning-based Bone Pathology Localization and Classification in Wrist X-ray Images [1.45543311565555]
  本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。 提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
  論文  参考訳（メタデータ） (2023-08-24T12:06:10Z)
• 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)
• 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)
• 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)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)

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。