論文の概要: MedImageInsight for Thoracic Cavity Health Classification from Chest X-rays

• arxiv url: http://arxiv.org/abs/2511.17043v1
• Date: Fri, 21 Nov 2025 08:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.940551
• Title: MedImageInsight for Thoracic Cavity Health Classification from Chest X-rays
• Title（参考訳）: 胸部X線からの胸郭健康分類のためのMedImageInsight
• Authors: Rama Krishna Boya, Mohan Kireeti Magalanadu, Azaruddin Palavalli, Rupa Ganesh Tekuri, Amrit Pattanayak, Prasanthi Enuga, Vignesh Esakki Muthu, Vivek Aditya Boya,
• Abstract要約: 胸部X線撮影は診断に最も広く用いられている画像モダリティの1つだが、画像量の増加や放射線医の作業量の増加はタイムリーな解釈に挑戦し続けている。 本研究では,胸部X線を正常・異常に自動分類する医療画像基盤モデルであるMedImageInsightについて検討した。 1)エンド・ツー・エンド分類のための微調整MedImageInsight,(2)トランスファー学習パイプラインのための特徴抽出器としてモデルを用いた2つのアプローチが評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest radiography remains one of the most widely used imaging modalities for thoracic diagnosis, yet increasing imaging volumes and radiologist workload continue to challenge timely interpretation. In this work, we investigate the use of MedImageInsight, a medical imaging foundational model, for automated binary classification of chest X-rays into Normal and Abnormal categories. Two approaches were evaluated: (1) fine-tuning MedImageInsight for end-to-end classification, and (2) employing the model as a feature extractor for a transfer learning pipeline using traditional machine learning classifiers. Experiments were conducted using a combination of the ChestX-ray14 dataset and real-world clinical data sourced from partner hospitals. The fine-tuned classifier achieved the highest performance, with an ROC-AUC of 0.888 and superior calibration compared to the transfer learning models, demonstrating performance comparable to established architectures such as CheXNet. These results highlight the effectiveness of foundational medical imaging models in reducing task-specific training requirements while maintaining diagnostic reliability. The system is designed for integration into web-based and hospital PACS workflows to support triage and reduce radiologist burden. Future work will extend the model to multi-label pathology classification to provide preliminary diagnostic interpretation in clinical environments.
• Abstract（参考訳）: 胸部X線撮影は胸部診断において最も広く用いられている画像モダリティの1つだが、画像量の増加や放射線医の作業量の増加はタイムリーな解釈に挑戦し続けている。 本研究では,胸部X線を正常・異常に自動分類する医療画像基盤モデルであるMedImageInsightについて検討した。 1)エンド・ツー・エンドの分類にMedImageInsightを微調整し,(2)従来の機械学習分類器を用いた伝達学習パイプラインの特徴抽出器としてモデルを用いた。 ChestX-ray14データセットとパートナー病院から得られた実世界の臨床データを組み合わせて実験を行った。 微調整の分類器は最高性能を達成し、ROC-AUCは0.888であり、CheXNetのような既存のアーキテクチャに匹敵する性能を示した。 これらの結果は,診断信頼性を維持しつつ,タスク固有のトレーニング要件の低減に基礎的な医用画像モデルの有効性を強調した。 このシステムは、トリアージをサポートし、放射線科医の負担を軽減するために、Webベースおよび病院PACSワークフローに統合するために設計されている。 今後の研究は、臨床環境における診断の予備的解釈を提供するため、モデルをマルチラベルの病理分類に拡張する予定である。

関連論文リスト

• Chest Disease Detection In X-Ray Images Using Deep Learning Classification Method [0.0]
  胸部X線画像の分類のために,複数の分類モデルにまたがる性能について検討した。 ラベル付き医療用X線画像に基づいて,これらの事前学習アーキテクチャを微調整した。 最初の結果は、重要な分類基準で高い精度と高いパフォーマンスを約束する。
  論文  参考訳（メタデータ） (2025-05-28T17:24:33Z)
• Generative AI: A Pix2pix-GAN-Based Machine Learning Approach for Robust and Efficient Lung Segmentation [0.7614628596146602]
  本研究では, Pix2pix Generative Adversarial Network (GAN) を用いて, CXR画像から肺の異常を抽出する深層学習フレームワークを開発した。 フレームワークの画像処理と拡張技術は、U-Netにインスパイアされたジェネレータ-ディスクリミネータアーキテクチャに適切に組み込まれている。
  論文  参考訳（メタデータ） (2024-12-14T13:12:09Z)
• 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)
• 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)
• Improving Chest X-Ray Classification by RNN-based Patient Monitoring [0.34998703934432673]
  我々は、診断に関する情報がCNNに基づく画像分類モデルを改善する方法について分析する。 追加の患者履歴情報に基づいてトレーニングされたモデルが、情報のないトレーニングを受けたモデルよりも有意なマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-28T11:47:15Z)
• 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)
• 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)
• Advancing diagnostic performance and clinical usability of neural networks via adversarial training and dual batch normalization [2.1699022621790736]
  6人の放射線学者がX線、CT、磁気共鳴画像スキャンのデータセットにおける塩分濃度マップの解釈可能性を評価する。 その結果, 十分大きなデータセットと二重バッチノルムを用いた場合, 逆学習モデルの精度は標準モデルに等しいことがわかった。
  論文  参考訳（メタデータ） (2020-11-25T20:41:01Z)

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。