論文の概要: Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones

• arxiv url: http://arxiv.org/abs/2605.02328v1
• Date: Mon, 04 May 2026 08:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.192464
• Title: Improving Imbalanced Multi-Label Chest X-Ray Diagnosis via CBAM-Enhanced CNN Backbones
• Title（参考訳）: CBAM増強CNNバックボーンによるマルチラベル胸部X線診断の改善
• Authors: Duy Nguyen Huu, Duy Hoang Khuong, Ngu Huynh Cong Viet,
• Abstract要約: 本稿では,従来のCNNブロックにCBAM(Convolutional Block Attention Module)を組み込んで,マルチラベル分類タスクの性能向上を図る戦略を提案する。 提案手法は,ChestXray14データセットの平均AUCが0.8695であり,最先端のベースラインよりも優れていた。
• 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 is a widely used imaging modality for thoracic disease diagnosis, yet its conventional interpretation remains time-consuming and heavily dependent on expert knowledge. While deep learning has improved diagnostic efficiency through automated feature extraction, challenges such as class imbalance and the localization of multiple co-existing pathologies remain unsolved. In this paper, inspired by the strength of Convolutional Block Attention Module (CBAM) in feature refinement and the capability of CNN blocks in feature extraction, we propose a strategy to integrate CBAM into traditional CNN blocks to enhance performance in multi-label classification tasks. Our method achieves a mean AUC of 0.8695 on ChestXray14 dataset, outperforming several state-of-the-art baselines.Our source code is available at: https://github.com/NNNguyenDuyyy/FETC_CBAM_Enhanced_CNN.git
• Abstract（参考訳）: 胸部X線撮影は胸部疾患診断における画像モダリティとして広く用いられているが、従来の解釈は時間を要するものであり、専門家の知識に大きく依存している。 ディープラーニングは、自動特徴抽出によって診断効率を向上させる一方で、クラス不均衡や複数の共存する病態の局所化といった課題は未解決のままである。 本稿では,機能改善におけるCBAM(Convolutional Block Attention Module)の強みと特徴抽出におけるCNNブロックの機能に着想を得て,CBAMを従来のCNNブロックに統合し,マルチラベル分類タスクの性能を高める戦略を提案する。 我々のソースコードは、https://github.com/NNNguyenDuyy/FETC_CBAM_Enhanced_CNN.gitで入手できる。

関連論文リスト

• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• 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)
• CUAB: Convolutional Uncertainty Attention Block Enhanced the Chest X-ray Image Analysis [0.3149883354098941]
  畳み込みニューラルネットワーク(CNN)は、様々な画像認識アプリケーションにうまく実装されている。 我々は,不確実性情報を利用してcnnモデルを改善する新しい畳み込み不確実性注意ブロック(cuab)を開発した。 提案モジュールは,コンピュータビジョンタスクにおける特徴マップ上の不確実領域から潜在的な情報を検出する。
  論文  参考訳（メタデータ） (2021-05-05T02:28:04Z)
• 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)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)
• 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。