Fugu-MT 論文翻訳(概要): Classification of Chest XRay Diseases through image processing and analysis techniques

論文の概要: Classification of Chest XRay Diseases through image processing and analysis techniques

arxiv url: http://arxiv.org/abs/2601.10913v1
Date: Fri, 16 Jan 2026 00:06:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-19 20:21:50.310965
Title: Classification of Chest XRay Diseases through image processing and analysis techniques
Title（参考訳）: 画像処理と解析による胸部X線疾患の分類
Authors: Santiago Martínez Novoa, María Catalina Ibáñez, Lina Gómez Mesa, Jeremias Kramer,
Abstract要約: 胸部X線像は胸部疾患の診断に用いられる放射線検査の最も一般的な形態の1つである。本研究では,DenseNet121など,この課題に対処するためのいくつかの手法について,簡潔に概説する。本研究では,異なる手法の比較を行い,それらがどのように機能するかを調べる。また,提案する手法の弱点を深く検討し,将来的な方法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-Classification Chest X-Ray Images are one of the most prevalent forms of radiological examination used for diagnosing thoracic diseases. In this study, we offer a concise overview of several methods employed for tackling this task, including DenseNet121. In addition, we deploy an open-source web-based application. In our study, we conduct tests to compare different methods and see how well they work. We also look closely at the weaknesses of the methods we propose and suggest ideas for making them better in the future. Our code is available at: https://github.com/AML4206-MINE20242/Proyecto_AML
Abstract（参考訳）: 胸部X線像は胸部疾患の診断に用いられる放射線検査の最も一般的な形態の1つである。本研究では,DenseNet121など,この課題に対処するためのいくつかの手法について,簡潔に概説する。さらに、私たちはオープンソースのWebベースのアプリケーションをデプロイします。そこで本研究では,異なる手法を比較し,どのように機能するかを検証した。また、提案する手法の弱点を詳しく検討し、将来それらを改善するためのアイデアを提案します。私たちのコードは、https://github.com/AML4206-MINE20242/Proyecto_AMLで利用可能です。

関連論文リスト

Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
論文参考訳（メタデータ） (2023-05-20T03:17:44Z)
Multi-Label Chest X-Ray Classification via Deep Learning [0.0]
本研究の目的は,X線画像から14種類の胸部状態を検出する軽量なソリューションを開発することである。画像機能に加えて、X線ビュータイプ、年齢、性別などのデータで利用可能な非画像機能も使用します。本研究の目的は, これまでの研究を改良し, 予測を14疾患に拡張し, 将来の胸部X線撮影研究への洞察を提供することである。
論文参考訳（メタデータ） (2022-11-27T20:27:55Z)
Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-11-14T18:16:36Z)
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)
Machine learning approaches for COVID-19 detection from chest X-ray imaging: A Systematic Review [31.21638091772227]
胸部X線画像の評価を支援するため,機械学習アルゴリズムが提案されている。胸部X線画像を用いた新型コロナウイルス検出に応用したMLの体系的レビューを行った。
論文参考訳（メタデータ） (2022-06-11T21:17:42Z)
Classification of COVID-19 in Chest X-ray Images Using Fusion of Deep Features and LightGBM [0.0]
本稿では,本論文で報告されている他の手法よりも高速かつ高精度な新しい手法を提案する。提案手法はDenseNet169とMobileNet Deep Neural Networksを組み合わせて患者のX線画像の特徴を抽出する。この方法は2クラス(COVID-19、Healthy)と複数クラス(COVID-19、Healthy、Pneumonia)で98.54%と91.11%の精度を達成した。
論文参考訳（メタデータ） (2022-06-09T14:56:24Z)
Image Embedding and Model Ensembling for Automated Chest X-Ray Interpretation [0.0]
我々は、自動胸部X線診断モデルを開発するための機械学習アプローチをいくつか提示および研究する。特に,chexpertデータセット上で複数の畳み込みニューラルネットワーク(cnn)をトレーニングした。学習したCNNを用いてCXR画像の埋め込みを計算し、2組のツリーベース分類器を訓練した。
論文参考訳（メタデータ） (2021-05-05T14:48:59Z)
Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文参考訳（メタデータ） (2021-04-11T09:16:29Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文参考訳（メタデータ） (2020-08-04T07:41:15Z)
A Critic Evaluation of Methods for COVID-19 Automatic Detection from X-Ray Images [9.269541211042462]
肺の大半を含まないX線画像を用いて同様の結果が得られることを示す。認識のためのいくつかのテストプロトコルは公平ではなく、ニューラルネットワークは、COVID-19の存在と相関しないデータセットの学習パターンである、と推測する。
論文参考訳（メタデータ） (2020-04-27T14:05:36Z)

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。