論文の概要: Automatic lung segmentation in routine imaging is primarily a data
diversity problem, not a methodology problem
- arxiv url: http://arxiv.org/abs/2001.11767v2
- Date: Thu, 20 Aug 2020 15:02:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:45:05.036116
- Title: Automatic lung segmentation in routine imaging is primarily a data
diversity problem, not a methodology problem
- Title(参考訳): 定期撮影における自動肺分画は, 主にデータ多様性の問題であり, 方法論の問題ではない
- Authors: Johannes Hofmanninger, Florian Prayer, Jeanny Pan, Sebastian Rohrich,
Helmut Prosch and Georg Langs
- Abstract要約: 様々なデータセットで訓練された4つの総合的なディープラーニングアプローチと、利用可能な2つの肺分節アルゴリズムを比較した。
異なるディープラーニングアプローチを用いることで、テストデータセット上のDice類似度係数(DSC)は0.02以上変化しない。
- 参考スコア(独自算出の注目度): 1.7473125938897272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated segmentation of anatomical structures is a crucial step in image
analysis. For lung segmentation in computed tomography, a variety of approaches
exist, involving sophisticated pipelines trained and validated on different
datasets. However, the clinical applicability of these approaches across
diseases remains limited. We compared four generic deep learning approaches
trained on various datasets and two readily available lung segmentation
algorithms. We performed evaluation on routine imaging data with more than six
different disease patterns and three published data sets. Using different deep
learning approaches, mean Dice similarity coefficients (DSCs) on test datasets
varied not over 0.02. When trained on a diverse routine dataset (n = 36) a
standard approach (U-net) yields a higher DSC (0.97 $\pm$ 0.05) compared to
training on public datasets such as Lung Tissue Research Consortium (0.94 $\pm$
0.13, p = 0.024) or Anatomy 3 (0.92 $\pm$ 0.15, p = 0.001). Trained on routine
data (n = 231) covering multiple diseases, U-net compared to reference methods
yields a DSC of 0.98 $\pm$ 0.03 versus 0.94 $\pm$ 0.12 (p = 0.024).
- Abstract(参考訳): 解剖学的構造の自動分割は画像解析の重要なステップである。
ctで肺の分画を行うには、異なるデータセットで訓練され検証される高度なパイプラインを含む様々なアプローチが存在する。
しかしながら、これらのアプローチが疾患にまたがる臨床応用性は限られている。
様々なデータセットで訓練された4つの総合的なディープラーニングアプローチと、利用可能な2つの肺分節アルゴリズムを比較した。
6種類以上の疾患パターンと3つのデータセットを併用した画像データの評価を行った。
異なるディープラーニング手法を用いて、テストデータセット上のDice類似度係数(DSC)は0.02以下であった。
多様なルーチンデータセット(n = 36)でトレーニングされた場合、標準アプローチ(U-net)は、Lung tissue Research Consortium(0.94$\pm$ 0.13, p = 0.024)やAnatomy 3(0.92$\pm$ 0.15, p = 0.001)のような公開データセットと比較して、より高いDSC(0.97$\pm$ 0.05)が得られる。
複数の疾患をカバーするルーチンデータ(n = 231)に基づいてトレーニングされたu-netは、参照メソッドと比較して0.098$\pm$ 0.03と0.094$\pm$ 0.12(p = 0.024)のdscを生成する。
関連論文リスト
- Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。
トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。
提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
論文 参考訳(メタデータ) (2024-08-09T01:21:41Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T16:59:27Z) - Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain
Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。
本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文 参考訳(メタデータ) (2022-03-28T10:00:03Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳(メタデータ) (2021-05-06T10:21:28Z) - Joint Registration and Segmentation via Multi-Task Learning for Adaptive
Radiotherapy of Prostate Cancer [3.0929226049096217]
マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。
このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
論文 参考訳(メタデータ) (2021-05-05T02:45:49Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳(メタデータ) (2020-12-23T14:38:35Z) - Automatic sleep stage classification with deep residual networks in a
mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。
総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文 参考訳(メタデータ) (2020-08-21T10:48:35Z) - Comparative study of deep learning methods for the automatic
segmentation of lung, lesion and lesion type in CT scans of COVID-19 patients [6.890747388531539]
新型コロナウイルスの迅速かつ正確な定量化にディープラーニングを使うことを提案する研究が増えている。
主な課題は、新型コロナウイルス(COVID-19)感染者の胸部CT検査における肺と肺の病変の自動分離である。
オープンソースと社内開発の両方のアルゴリズムを含む,マルチセンタデータセットを用いた12のディープラーニングアルゴリズムを比較した。
論文 参考訳(メタデータ) (2020-07-29T10:40:39Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z) - Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and
Infection Segmentation [28.437504408773147]
肺と感染症のセグメンテーションのための3つのベンチマークを構築した。
異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。
平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
論文 参考訳(メタデータ) (2020-04-27T01:31:48Z)
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。