論文の概要: CheX-DS: Improving Chest X-ray Image Classification with Ensemble Learning Based on DenseNet and Swin Transformer

• arxiv url: http://arxiv.org/abs/2505.11168v1
• Date: Fri, 16 May 2025 12:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.878323
• Title: CheX-DS: Improving Chest X-ray Image Classification with Ensemble Learning Based on DenseNet and Swin Transformer
• Title（参考訳）: CheX-DS:DenseNetとSwin Transformerに基づくアンサンブル学習による胸部X線画像分類の改善
• Authors: Xinran Li, Yu Liu, Xiujuan Xu, Xiaowei Zhao,
• Abstract要約: 自己注意機構はコンピュータビジョンの分野に導入され、優れた性能を示している。 本稿では,胸部X線医学領域におけるロングテール多ラベルデータの分類に有効なモデルであるCheX-DSを提案する。 このモデルは医療画像のための優れたCNNモデルDenseNetと、新しく普及したSwin Transformerモデルに基づいている。
• 参考スコア（独自算出の注目度）: 11.793925474509756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The automatic diagnosis of chest diseases is a popular and challenging task. Most current methods are based on convolutional neural networks (CNNs), which focus on local features while neglecting global features. Recently, self-attention mechanisms have been introduced into the field of computer vision, demonstrating superior performance. Therefore, this paper proposes an effective model, CheX-DS, for classifying long-tail multi-label data in the medical field of chest X-rays. The model is based on the excellent CNN model DenseNet for medical imaging and the newly popular Swin Transformer model, utilizing ensemble deep learning techniques to combine the two models and leverage the advantages of both CNNs and Transformers. The loss function of CheX-DS combines weighted binary cross-entropy loss with asymmetric loss, effectively addressing the issue of data imbalance. The NIH ChestX-ray14 dataset is selected to evaluate the model's effectiveness. The model outperforms previous studies with an excellent average AUC score of 83.76\%, demonstrating its superior performance.
• Abstract（参考訳）: 胸部疾患の自動診断は一般的で困難な課題である。 現在のほとんどの手法は、グローバルな特徴を無視しながら、局所的な特徴に焦点を当てた畳み込みニューラルネットワーク(CNN)に基づいている。 近年,コンピュータビジョンの分野では自己認識機構が導入され,性能が向上している。 そこで本研究では,胸部X線医学領域における長テール多ラベルデータの分類に有効なモデルであるCheX-DSを提案する。 このモデルは医療画像のための優れたCNNモデルDenseNetと、新しく普及したSwin Transformerモデルに基づいており、アンサンブル深層学習技術を利用して、2つのモデルを組み合わせてCNNとTransformerの利点を利用する。 CheX-DSの損失関数は重み付き二元対エントロピー損失と非対称損失を組み合わせ、データ不均衡の問題に効果的に対処する。 NIH ChestX-ray14データセットを選択して、モデルの有効性を評価する。 このモデルはAUCの平均スコア83.76\%で過去の研究より優れており、その優れた性能を示している。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• A novel method to enhance pneumonia detection via a model-level ensembling of CNN and vision transformer [0.7499722271664147]
  肺炎は世界中で致死率と死亡率の主要な原因である。 深層学習は胸部X線(CXR)画像から肺炎を検出する大きな可能性を示している。 我々は,モデルレベルのアンサンブルにより,畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマーネットワークを融合させる新しいモデルを開発した。
  論文  参考訳（メタデータ） (2024-01-04T16:58:31Z)
• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• 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)
• 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)

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。