論文の概要: Deep Learning-Powered Classification of Thoracic Diseases in Chest X-Rays

• arxiv url: http://arxiv.org/abs/2501.14279v1
• Date: Fri, 24 Jan 2025 06:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:09.327044
• Title: Deep Learning-Powered Classification of Thoracic Diseases in Chest X-Rays
• Title（参考訳）: 胸部X線における深層学習による胸部疾患の分類
• Authors: Yiming Lei, Michael Nguyen, Tzu Chia Liu, Hyounkyun Oh,
• Abstract要約: 胸部X線は肺炎、結核、COVID-19などの呼吸器疾患の診断において重要な役割を担っている。 本研究は, 事前学習モデルを用いた伝達学習を含む深層学習技術を活用し, 疾患検出・分類の高度化を図る。
• 参考スコア（独自算出の注目度）: 2.112421773185401
• License:
• Abstract: Chest X-rays play a pivotal role in diagnosing respiratory diseases such as pneumonia, tuberculosis, and COVID-19, which are prevalent and present unique diagnostic challenges due to overlapping visual features and variability in image quality. Severe class imbalance and the complexity of medical images hinder automated analysis. This study leverages deep learning techniques, including transfer learning on pre-trained models (AlexNet, ResNet, and InceptionNet), to enhance disease detection and classification. By fine-tuning these models and incorporating focal loss to address class imbalance, significant performance improvements were achieved. Grad-CAM visualizations further enhance model interpretability, providing insights into clinically relevant regions influencing predictions. The InceptionV3 model, for instance, achieved a 28% improvement in AUC and a 15% increase in F1-Score. These findings highlight the potential of deep learning to improve diagnostic workflows and support clinical decision-making.
• Abstract（参考訳）: 胸部X線は肺炎、結核、COVID-19などの呼吸器疾患の診断において重要な役割を担っている。 重度のクラス不均衡と医療画像の複雑さは、自動分析を妨げている。 本研究では,プレトレーニングモデル(AlexNet,ResNet,InceptionNet)の伝達学習を含む深層学習技術を活用し,疾患の検出と分類を強化する。 これらのモデルを微調整し、クラス不均衡に対応するために焦点損失を組み込むことで、大幅な性能改善が達成された。 Grad-CAM視覚化は、モデル解釈可能性をさらに強化し、臨床関連領域の予測に影響を与える洞察を提供する。 例えば、InceptionV3モデルはAUCを28%改善し、F1スコアを15%向上させた。 これらの知見は、診断ワークフローを改善し、臨床意思決定を支援する深層学習の可能性を強調している。

関連論文リスト

• A Clinical-oriented Multi-level Contrastive Learning Method for Disease Diagnosis in Low-quality Medical Images [4.576524795036682]
  コントラスト学習(CL)により誘導される疾患診断法は,病変の特徴表現において有意な優位性を示した。 本稿では,病変の特徴を抽出するためのモデルの能力向上を目的とした,臨床指向型多段階CLフレームワークを提案する。 提案されたCLフレームワークは、EyeQとChest X-rayの2つの公開医療画像データセットで検証されている。
  論文  参考訳（メタデータ） (2024-04-07T09:08:14Z)
• Secure Federated Learning Approaches to Diagnosing COVID-19 [0.0]
  本稿では,HIVの診断を支援するHIPAA対応モデルを提案する。 フェデレートラーニング(Federated Learning)は、分散機械学習のアプローチであり、複数の分散デバイスをまたいだアルゴリズムトレーニングを可能にする。 そこで我々は, 新型コロナウイルスの陽性診断を示す胸部X線の特徴を浮き彫りにする可視化技術を用いた。
  論文  参考訳（メタデータ） (2024-01-23T02:14:05Z)
• Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
  糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。 深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。 課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
  論文  参考訳（メタデータ） (2024-01-21T04:14:54Z)
• Deep Residual CNN for Multi-Class Chest Infection Diagnosis [1.8204773850586642]
  本研究は,胸部感染症のマルチクラス診断のためのディープ残留畳み込みニューラルネットワーク(CNN)の開発と評価について検討する。 さまざまなソースから集約されたデータセット上でトレーニングされ、検証された実装モデルは、堅牢な全体的な精度93%を示した。
  論文  参考訳（メタデータ） (2023-11-17T10:05:10Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• 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)
• Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images [8.103053617559748]
  最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
  論文  参考訳（メタデータ） (2020-11-27T14:06:25Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。