論文の概要: Evaluating the Impact of Radiographic Noise on Chest X-ray Semantic Segmentation and Disease Classification Using a Scalable Noise Injection Framework

• arxiv url: http://arxiv.org/abs/2509.25265v1
• Date: Sun, 28 Sep 2025 05:09:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.216849
• Title: Evaluating the Impact of Radiographic Noise on Chest X-ray Semantic Segmentation and Disease Classification Using a Scalable Noise Injection Framework
• Title（参考訳）: 無線騒音が胸部X線セマンティックセマンティックセグメンテーションおよび疾患分類に及ぼす影響の評価
• Authors: Derek Jiu, Kiran Nijjer, Nishant Chinta, Ryan Bui, Ben Liu, Kevin Zhu,
• Abstract要約: 我々は2つの重要な胸部X線作業における量子(Poisson)と電子(Gaussian)ノイズのシミュレーションに対する最先端畳み込みニューラルネットワーク(CNN)の堅牢性を評価する。 セマンティックセグメンテーションモデルは非常に脆弱で、肺セグメンテーション性能は重度の電子ノイズ下で崩壊した。 我々は、AtelectasisとPneumothoraxを区別するなどの特定のタスクが、量子ノイズの下で破滅的に失敗することを発見した。
• 参考スコア（独自算出の注目度）: 4.910952612437441
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models are increasingly used for radiographic analysis, but their reliability is challenged by the stochastic noise inherent in clinical imaging. A systematic, cross-task understanding of how different noise types impact these models is lacking. Here, we evaluate the robustness of state-of-the-art convolutional neural networks (CNNs) to simulated quantum (Poisson) and electronic (Gaussian) noise in two key chest X-ray tasks: semantic segmentation and pulmonary disease classification. Using a novel, scalable noise injection framework, we applied controlled, clinically-motivated noise severities to common architectures (UNet, DeepLabV3, FPN; ResNet, DenseNet, EfficientNet) on public datasets (Landmark, ChestX-ray14). Our results reveal a stark dichotomy in task robustness. Semantic segmentation models proved highly vulnerable, with lung segmentation performance collapsing under severe electronic noise (Dice Similarity Coefficient drop of 0.843), signifying a near-total model failure. In contrast, classification tasks demonstrated greater overall resilience, but this robustness was not uniform. We discovered a differential vulnerability: certain tasks, such as distinguishing Pneumothorax from Atelectasis, failed catastrophically under quantum noise (AUROC drop of 0.355), while others were more susceptible to electronic noise. These findings demonstrate that while classification models possess a degree of inherent robustness, pixel-level segmentation tasks are far more brittle. The task- and noise-specific nature of model failure underscores the critical need for targeted validation and mitigation strategies before the safe clinical deployment of diagnostic AI.
• Abstract（参考訳）: 深層学習モデルはラジオグラフィー解析にますます利用されているが、その信頼性は臨床画像に固有の確率的ノイズによって問題視されている。 異なるノイズタイプがこれらのモデルにどのように影響しているかを、体系的にクロスタスクで理解する。 そこで我々は,2つの重要な胸部X線課題であるセグメンテーションと肺疾患分類において,現状の畳み込みニューラルネットワーク(CNN)の量子(Poisson)と電子(Gaussian)ノイズに対する堅牢性を評価する。 新規でスケーラブルなノイズ注入フレームワークを用いて,パブリックデータセット(Landmark,ChestX-ray14)上の共通アーキテクチャ(UNet,DeepLabV3,FPN,ResNet,DenseNet,EfficientNet)に適用した。 この結果から,タスクの堅牢性は著しく二分された。 セマンティックセグメンテーションモデルは非常に脆弱で、肺セグメンテーション性能は重度の電子ノイズ(Dice similarity Coefficient drop of 0.843)の下で崩壊し、ほぼ完全なモデル故障を示す。 対照的に、分類タスクはより全体的なレジリエンスを示したが、この堅牢性は均一ではなかった。 その結果,AtelectasisとPneumothoraxを区別するなどの特定のタスクは量子ノイズ下で破滅的に失敗する(AUROCの0.355の低下)一方で,電子ノイズの影響を受けやすいタスクもあった。 これらの結果から,分類モデルに固有のロバスト性がある一方で,画素レベルのセグメンテーションタスクははるかに脆弱であることがわかった。 モデル障害のタスクとノイズ特有の性質は、診断AIの安全な臨床展開の前に、対象のバリデーションと緩和戦略に対する重要な必要性を浮き彫りにしている。

関連論文リスト

• GARD: Gamma-based Anatomical Restoration and Denoising for Retinal OCT [5.763765207893223]
  GARD (Gamma-based Anatomical Restoration and Denoising) は OCT 画像復調のための新しい深層学習手法である。 GARDは、スペックルの統計特性をより正確に反映するために、Denoising Diffusion Gamma Modelを使用している。 GARDはPSNR, SSIM, MSEの点から, 従来のdenoising法や最先端のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-12T15:24:41Z)
• Sample selection with noise rate estimation in noise learning of medical image analysis [3.9934250802854376]
  本稿では,ノイズの多いデータセットでトレーニングされた場合のニューラルネットワークの性能を向上させる新しいサンプル選択手法を提案する。 本手法では,線形回帰を用いて損失値の分布を解析することにより,データセットの雑音率を推定する。 モデルのノイズ堅牢性をさらに高めるために,スパース正規化を採用している。
  論文  参考訳（メタデータ） (2023-12-23T11:57:21Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• RobustMQ: Benchmarking Robustness of Quantized Models [54.15661421492865]
  量子化は、限られたリソースを持つデバイスにディープニューラルネットワーク(DNN)をデプロイする上で不可欠なテクニックである。 我々は、ImageNet上の様々なノイズ(障害攻撃、自然破壊、系統的なノイズ)に対する量子化モデルのロバスト性について、徹底的に評価した。 我々の研究は、モデルとその実世界のシナリオにおける展開の堅牢な定量化を推し進めることに貢献している。
  論文  参考訳（メタデータ） (2023-08-04T14:37:12Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Heart Sound Classification Considering Additive Noise and Convolutional Distortion [2.63046959939306]
  異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。 本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。 提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
  論文  参考訳（メタデータ） (2021-06-03T14:09:04Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• 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)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。