論文の概要: Chest X-ray Classification using Deep Convolution Models on Low-resolution images with Uncertain Labels

• arxiv url: http://arxiv.org/abs/2504.09033v1
• Date: Sat, 12 Apr 2025 01:13:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:54:58.356963
• Title: Chest X-ray Classification using Deep Convolution Models on Low-resolution images with Uncertain Labels
• Title（参考訳）: 不確かさラベル付き低解像度画像の深部畳み込みモデルを用いた胸部X線分類
• Authors: Snigdha Agarwal, Neelam Sinha,
• Abstract要約: 胸部X線から深部CNNモデルへの入力画像サイズの違いによる分類結果について報告する。 正面および側方研究において,多ラベル分類モデルのアンサンブルを用いる。 心臓病、統合、浮腫については、モデルアーキテクチャーで3%高い精度を得る。
• 参考スコア（独自算出の注目度）: 3.038642416291856
• License:
• Abstract: Deep Convolutional Neural Networks have consistently proven to achieve state-of-the-art results on a lot of imaging tasks over the past years' majority of which comprise of high-quality data. However, it is important to work on low-resolution images since it could be a cheaper alternative for remote healthcare access where the primary need of automated pathology identification models occurs. Medical diagnosis using low-resolution images is challenging since critical details may not be easily identifiable. In this paper, we report classification results by experimenting on different input image sizes of Chest X-rays to deep CNN models and discuss the feasibility of classification on varying image sizes. We also leverage the noisy labels in the dataset by proposing a Randomized Flipping of labels techniques. We use an ensemble of multi-label classification models on frontal and lateral studies. Our models are trained on 5 out of the 14 chest pathologies of the publicly available CheXpert dataset. We incorporate techniques such as augmentation, regularization for model improvement and use class activation maps to visualize the neural network's decision making. Comparison with classification results on data from 200 subjects, obtained on the corresponding high-resolution images, reported in the original CheXpert paper, has been presented. For pathologies Cardiomegaly, Consolidation and Edema, we obtain 3% higher accuracy with our model architecture.
• Abstract（参考訳）: 深層畳み込みニューラルネットワークは、過去数年間の多くのイメージングタスクにおいて、高品質なデータで構成された最先端の結果を一貫して達成している。 しかし, 遠隔医療アクセスの代替として, 自動診断モデルの必要性が大きいため, 低解像度の画像に対処することが重要である。 低解像度画像を用いた診断は、重要な詳細が容易に識別できないため困難である。 本稿では,胸部X線から深部CNNモデルへの入力画像サイズの違いを実験して分類結果を報告する。 また、ラベルテクニックのランダム化フリップを提案することにより、データセット内のノイズラベルも活用する。 正面および側方研究において,多ラベル分類モデルのアンサンブルを用いる。 私たちのモデルは、公開されているCheXpertデータセットの14の胸部病理のうち5つでトレーニングされています。 我々は、ニューラルネットワークの意思決定を可視化するために、強化、モデル改善のための正規化、クラスアクティベーションマップの使用といったテクニックを取り入れた。 元のCheXpert論文で報告された高解像度画像から得られた200人の被験者の分類結果との比較を行った。 心臓病、統合、浮腫については、モデルアーキテクチャーで3%高い精度を得る。

関連論文リスト

• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Explainable and Lightweight Model for COVID-19 Detection Using Chest Radiology Images [0.0]
  畳み込みニューラルネットワーク(CNN)は、大量のデータをトレーニングする際の画像解析タスクに適している。 新型コロナウイルス(COVID-19)の検出のために提案されたツールのほとんどは、高い感度とリコールを持っているが、目に見えないデータセットでのテストでは、一般化と実行に失敗している。 本研究は,提案モデルの成功と失敗について,画像レベルで詳細に考察する。
  論文  参考訳（メタデータ） (2022-12-28T11:48:29Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems [7.909848251752742]
  胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。 この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
  論文  参考訳（メタデータ） (2022-11-02T17:43:02Z)
• 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)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。