論文の概要: Unpaired Translation of Chest X-ray Images for Lung Opacity Diagnosis via Adaptive Activation Masks and Cross-Domain Alignment

• arxiv url: http://arxiv.org/abs/2503.19860v1
• Date: Tue, 25 Mar 2025 17:26:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:53:58.412877
• Title: Unpaired Translation of Chest X-ray Images for Lung Opacity Diagnosis via Adaptive Activation Masks and Cross-Domain Alignment
• Title（参考訳）: アダプティブアクティベーションマスクとクロスドメインアライメントを用いた胸部X線画像の肺癌診断用アンペア翻訳
• Authors: Junzhi Ning, Dominic Marshall, Yijian Gao, Xiaodan Xing Yang Nan, Yingying Fang, Sheng Zhang, Matthieu Komorowski, Guang Yang,
• Abstract要約: 胸部X線ラジオグラフィー(CXR)は心肺疾患の診断とモニタリングにおいて重要な役割を担っている。 CXRの肺小ささは、しばしば解剖学的に不明瞭な構造であり、肺境界の明確な同定を阻害し、病理の局在を複雑にする。 本研究は,CXRを肺不透明度に変換し,意味的特徴を保ちながら肺不透明度に変換する無ペアCXR翻訳フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.3913562188704045
• License:
• Abstract: Chest X-ray radiographs (CXRs) play a pivotal role in diagnosing and monitoring cardiopulmonary diseases. However, lung opac- ities in CXRs frequently obscure anatomical structures, impeding clear identification of lung borders and complicating the localization of pathology. This challenge significantly hampers segmentation accuracy and precise lesion identification, which are crucial for diagnosis. To tackle these issues, our study proposes an unpaired CXR translation framework that converts CXRs with lung opacities into counterparts without lung opacities while preserving semantic features. Central to our approach is the use of adaptive activation masks to selectively modify opacity regions in lung CXRs. Cross-domain alignment ensures translated CXRs without opacity issues align with feature maps and prediction labels from a pre-trained CXR lesion classifier, facilitating the interpretability of the translation process. We validate our method using RSNA, MIMIC-CXR-JPG and JSRT datasets, demonstrating superior translation quality through lower Frechet Inception Distance (FID) and Kernel Inception Distance (KID) scores compared to existing meth- ods (FID: 67.18 vs. 210.4, KID: 0.01604 vs. 0.225). Evaluation on RSNA opacity, MIMIC acute respiratory distress syndrome (ARDS) patient CXRs and JSRT CXRs show our method enhances segmentation accuracy of lung borders and improves lesion classification, further underscoring its potential in clinical settings (RSNA: mIoU: 76.58% vs. 62.58%, Sensitivity: 85.58% vs. 77.03%; MIMIC ARDS: mIoU: 86.20% vs. 72.07%, Sensitivity: 92.68% vs. 86.85%; JSRT: mIoU: 91.08% vs. 85.6%, Sensitivity: 97.62% vs. 95.04%). Our approach advances CXR imaging analysis, especially in investigating segmentation impacts through image translation techniques.
• Abstract（参考訳）: 胸部X線ラジオグラフィー(CXR)は心肺疾患の診断とモニタリングにおいて重要な役割を担っている。 しかし、CXRの肺オパクは、しばしば解剖学的に不明瞭な構造であり、肺境界の明確な同定を阻害し、病理の局在を複雑にしている。 この課題は、診断に欠かせないセグメンテーションの精度と正確な病変の同定を著しく損なう。 これらの課題に対処するため,本研究では,CXRを肺不透明度に変換し,セマンティックな特徴を保ちながら肺不透明度に変換する,不適合なCXR翻訳フレームワークを提案する。 我々のアプローチの中心は、肺CXRの不透明領域を選択的に修飾するために適応活性化マスクを使用することである。 クロスドメインアライメントにより、不透明な問題なく翻訳されたCXRは、事前訓練されたCXR病変分類器から特徴マップや予測ラベルと一致し、翻訳プロセスの解釈が容易になる。 提案手法をRSNA,MIMIC-CXR-JPG,JSRTデータセットを用いて検証し,既存のメトオド(FID:67.18 vs. 210.4, KID:0.01604 vs. 0.225)と比較してFID(Frechet Inception Distance)およびKID(Kernel Inception Distance)スコアの低い翻訳品質を示す。 RSNA不透明度,MIMIC急性呼吸窮迫症候群 (ARDS) 患者CXRsおよびJSRT CXRsは,肺境界のセグメンテーション精度を高め,病変分類の改善を図り,臨床的設定におけるその可能性(RSNA: mIoU: 76.58% vs. 62.58%, 感性: 85.58% vs. 77.03%, MIMIC ARDS: mIoU: 86.20% vs. 72.07%, 感性: 92.68% vs. 86.85%, JSRT: mIoU: 91.08% vs. 85.6%, 感性: 97.62% vs. 95.04%)について検討した。 提案手法はCXR画像解析を進歩させ,特に画像翻訳技術によるセグメンテーションの影響について検討する。

関連論文リスト

• Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive Learning [19.948079693716075]
  提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。 77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:03:57Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• 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)
• A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
  CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。 これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
  論文  参考訳（メタデータ） (2021-12-19T16:19:46Z)
• A novel framework based on deep learning and ANOVA feature selection method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
  新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。 最もアクセスしやすい方法はRT-PCRである。 RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。 DenseNet169はX線画像から特徴を抽出するために使用された。
  論文  参考訳（メタデータ） (2021-09-30T16:10:31Z)
• COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
  RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。 我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。 ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
  論文  参考訳（メタデータ） (2021-05-14T04:29:21Z)
• COVID-19 Infection Localization and Severity Grading from Chest X-ray Images [3.4546388019336143]
  コロナウイルス感染症2019(COVID-19)は、2019年12月に出現して以来、世界中で主要な課題となっている。 我々は、11,956のCOVID-19サンプルを含む33,920のCXRイメージで、最大のベンチマークデータセットを構築しました。 このアプローチは、99%以上の感度と特異性の両方で優れたCOVID-19検出性能を達成しました。
  論文  参考訳（メタデータ） (2021-03-14T18:06:06Z)
• Exploring the Effect of Image Enhancement Techniques on COVID-19 Detection using Chest X-rays Images [4.457871213347773]
  本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。 我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。 CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
  論文  参考訳（メタデータ） (2020-11-25T20:58:27Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。