An Explainable Contrastive-based Dilated Convolutional Network with Transformer for Pediatric Pneumonia Detection

要約

小児肺炎は依然として世界的な重大な脅威であり、他のどの感染症よりも高い死亡リスクをもたらしています。
ユニセフによると、これは5歳未満の子供の死亡の主な原因であり、迅速な診断が必要です。
胸部 X 線写真を使用した早期診断が一般的な標準ですが、未処理の画像の放射線レベルが低いことやデータの不均衡の問題などの制限があります。
そのためには、コンピュータを利用した効率的な診断技術の開発が必要です。
この目的を達成するために、我々は、小児肺炎検出のための新しい EXplainable Contrastive-based Dirated Convolutional Network with Transformer (XCCNet) を提案します。
XCCNet は、拡張畳み込みの空間パワーと、コントラストベースのトランスフォーマーからのグローバルな洞察を利用して、効果的な機能改善を実現します。
堅牢な胸部 X 線処理モジュールは低強度の X 線写真に取り組み、敵対的ベースのデータ拡張によりデータセット内の胸部 X 線の偏った分布が軽減されます。
さらに、特徴の視覚化による説明可能性のアプローチを積極的に統合し、X線写真で肺炎の存在または正常性を正確に示す注目領域と直接位置合わせします。
XCCNet の有効性は、公開されている 4 つのデータセットに基づいて包括的に評価されます。
広範なパフォーマンス評価により、最先端の方法と比較した XCCNet の優位性が実証されています。

要約(オリジナル)

Pediatric pneumonia remains a significant global threat, posing a larger mortality risk than any other communicable disease. According to UNICEF, it is a leading cause of mortality in children under five and requires prompt diagnosis. Early diagnosis using chest radiographs is the prevalent standard, but limitations include low radiation levels in unprocessed images and data imbalance issues. This necessitates the development of efficient, computer-aided diagnosis techniques. To this end, we propose a novel EXplainable Contrastive-based Dilated Convolutional Network with Transformer (XCCNet) for pediatric pneumonia detection. XCCNet harnesses the spatial power of dilated convolutions and the global insights from contrastive-based transformers for effective feature refinement. A robust chest X-ray processing module tackles low-intensity radiographs, while adversarial-based data augmentation mitigates the skewed distribution of chest X-rays in the dataset. Furthermore, we actively integrate an explainability approach through feature visualization, directly aligning it with the attention region that pinpoints the presence of pneumonia or normality in radiographs. The efficacy of XCCNet is comprehensively assessed on four publicly available datasets. Extensive performance evaluation demonstrates the superiority of XCCNet compared to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google