論文の概要: Computer-Aided Assessment of Catheters and Tubes on Radiographs: How
Good is Artificial Intelligence for Assessment?
- arxiv url: http://arxiv.org/abs/2002.03413v1
- Date: Sun, 9 Feb 2020 18:12:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 15:02:43.035624
- Title: Computer-Aided Assessment of Catheters and Tubes on Radiographs: How
Good is Artificial Intelligence for Assessment?
- Title（参考訳）: ラジオグラフィーにおけるカテーテルとチューブのコンピュータ支援評価:人工知能は評価にどの程度優れているか?
- Authors: Xin Yi, Scott J. Adams, Robert D. E. Henderson, Paul Babyn
- Abstract要約: カテーテルは、ラジオグラフィーで2番目に多い異常発見である。
カテーテルが再配置された場合、深刻な合併症が発生するため、カテーテルの位置をすべてのラジオグラフで評価する必要がある。
コンピュータ支援のアプローチは、解釈のために誤配置されたカテーテルを用いた無線画像の優先順位付けを支援する可能性を秘めている。
- 参考スコア（独自算出の注目度）: 2.256008196530956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Catheters are the second most common abnormal finding on radiographs. The
position of catheters must be assessed on all radiographs, as serious
complications can arise if catheters are malpositioned. However, due to the
large number of radiographs performed each day, there can be substantial delays
between the time a radiograph is performed and when it is interpreted by a
radiologist. Computer-aided approaches hold the potential to assist in
prioritizing radiographs with potentially malpositioned catheters for
interpretation and automatically insert text indicating the placement of
catheters in radiology reports, thereby improving radiologists' efficiency.
After 50 years of research in computer-aided diagnosis, there is still a
paucity of study in this area. With the development of deep learning
approaches, the problem of catheter assessment is far more solvable. Therefore,
we have performed a review of current algorithms and identified key challenges
in building a reliable computer-aided diagnosis system for assessment of
catheters on radiographs. This review may serve to further the development of
machine learning approaches for this important use case.
- Abstract（参考訳）: カテーテルは、ラジオグラフィーで2番目に多い異常発見である。
カテーテルが再配置された場合、深刻な合併症が発生するため、カテーテルの位置をすべてのラジオグラフで評価する必要がある。
しかし、毎日のラジオグラフィーの数が多すぎるため、ラジオグラフィーが実行される時間と、それがラジオ学者によって解釈される時間の間にはかなり遅れることがある。
コンピュータ支援アプローチは, 放射線学報告にカテーテルの配置を示すテキストを自動的に挿入し, 放射線学者の効率を向上させる。
50年間にわたるコンピュータ支援診断の研究の後、この分野ではまだ多くの研究がなされている。
深層学習法の開発により,カテーテルアセスメントの問題点ははるかに解決可能である。
そこで我々は,現在のアルゴリズムの見直しを行い,ラジオグラフ上のカテーテル評価のための信頼性の高いコンピュータ支援診断システムの構築における重要な課題を明らかにした。
このレビューは、この重要なユースケースのための機械学習アプローチの開発に役立つかもしれない。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳（メタデータ） (2023-12-11T02:27:45Z) - Generation of Radiology Findings in Chest X-Ray by Leveraging
Collaborative Knowledge [6.792487817626456]
医学的イメージを解釈する認知的タスクは、放射線学のワークフローにおいて最も重要であり、しばしば時間を要するステップである。
この研究は、ほとんどの時間をFindingsの執筆またはナレーションに費やしている放射線学者の作業量を削減することに焦点を当てている。
単段階画像キャプションタスクとして放射線学レポートを生成する過去の研究とは異なり、CXR画像の解釈の複雑さを考慮に入れている。
論文 参考訳（メタデータ） (2023-06-18T00:51:28Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - Using Multi-modal Data for Improving Generalizability and Explainability
of Disease Classification in Radiology [0.0]
従来の放射線診断用データセットは、放射線診断報告と並行して放射線画像のみを提供する傾向にある。
本稿では、最近発表されたEye-Gazeデータセットを用いて、ディープラーニング(DL)分類の性能と説明可能性への影響を徹底的に研究する。
X線画像の最良の分類性能は, 自由テキスト画像と無線画像との組み合わせで達成され, 視線データによる性能向上は得られなかった。
論文 参考訳（メタデータ） (2022-07-29T16:49:05Z) - 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) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳（メタデータ） (2020-12-04T05:08:53Z) - A Standardized Radiograph-Agnostic Framework and Platform For Evaluating
AI Radiological Systems [0.0]
我々は、さまざまな地理的な場所、性別、年齢グループにまたがる一般化能力に基づいて、あらゆる人工知能の放射線学的解を評価できる、放射線グラフに依存しないプラットフォームとフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-03T02:09:09Z) - Evaluation of Contemporary Convolutional Neural Network Architectures
for Detecting COVID-19 from Chest Radiographs [0.0]
胸部X線写真解析のための3つのモデルアーキテクチャを,様々な条件下で訓練し,評価した。
本稿では,現代の研究によって提案された印象的なモデル性能を低下させる問題を見いだす。
論文 参考訳（メタデータ） (2020-06-30T15:22:39Z) - Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning [17.315387269810426]
我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。
我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。
このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
論文 参考訳（メタデータ） (2020-06-18T08:12:54Z)
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。