論文の概要: Reproducing and Improving CheXNet: Deep Learning for Chest X-ray Disease Classification

• arxiv url: http://arxiv.org/abs/2505.06646v1
• Date: Sat, 10 May 2025 13:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.959277
• Title: Reproducing and Improving CheXNet: Deep Learning for Chest X-ray Disease Classification
• Title（参考訳）: CheXNetの再現と改善:胸部X線疾患分類のためのディープラーニング
• Authors: Daniel Strick, Carlos Garcia, Anthony Huang,
• Abstract要約: 公開されているNIH ChestX-ray14データセットでは、CheXNetと呼ばれるアルゴリズムを再現し、CheXNetのベースラインメトリックを上回る他のアルゴリズムを探索しました。 最良のモデルは平均AUC-ROCスコアが0.85、F1スコアが0.39である。
• 参考スコア（独自算出の注目度）: 0.24578723416255752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning for radiologic image analysis is a rapidly growing field in biomedical research and is likely to become a standard practice in modern medicine. On the publicly available NIH ChestX-ray14 dataset, containing X-ray images that are classified by the presence or absence of 14 different diseases, we reproduced an algorithm known as CheXNet, as well as explored other algorithms that outperform CheXNet's baseline metrics. Model performance was primarily evaluated using the F1 score and AUC-ROC, both of which are critical metrics for imbalanced, multi-label classification tasks in medical imaging. The best model achieved an average AUC-ROC score of 0.85 and an average F1 score of 0.39 across all 14 disease classifications present in the dataset.
• Abstract（参考訳）: 放射線画像解析のための深層学習は、生物医学研究において急速に成長する分野であり、近代医学における標準的実践となる可能性が高い。 NIH ChestX-ray14データセットには、14の疾患の有無によって分類されたX線画像が含まれており、CheXNetと呼ばれるアルゴリズムを再現し、CheXNetの基準値を上回る他のアルゴリズムを探索した。 モデル性能はF1スコアとAUC-ROCを用いて評価された。 最良のモデルは平均AUC-ROCスコアが0.85、F1スコアが0.39、データセットに存在する14の疾患分類が全てである。

関連論文リスト

• 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)
• 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)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• SwinCheX: Multi-label classification on chest X-ray images with transformers [4.549831511476249]
  本稿では,Swin Transformer をバックボーンとしたマルチラベル分類深層モデルを提案する。 我々は「Chest X-ray14」とよばれる最も広く使われている、かつ最大のX線データセットの1つについて、我々のモデルを評価する。
  論文  参考訳（メタデータ） (2022-06-09T03:17:57Z)
• COVID-19 Severity Classification on Chest X-ray Images [0.0]
  本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
  論文  参考訳（メタデータ） (2022-05-25T12:01:03Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images [10.01138352319106]
  5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。 新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
  論文  参考訳（メタデータ） (2020-06-03T22:55:53Z)
• A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs [4.6411273009803065]
  胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。 近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。 複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
  論文  参考訳（メタデータ） (2020-04-24T12:30:40Z)

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。