論文の概要: Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes
- arxiv url: http://arxiv.org/abs/2002.04752v3
- Date: Mon, 12 Oct 2020 23:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 19:57:07.114601
- Title: Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes
- Title（参考訳）: 大規模胸部CTボリュームを用いた機械学習による多重異常予測
- Authors: Rachel Lea Draelos, David Dov, Maciej A. Mazurowski, Joseph Y. Lo,
Ricardo Henao, Geoffrey D. Rubin, Lawrence Carin
- Abstract要約: 19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
- 参考スコア（独自算出の注目度）: 64.21642241351857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models for radiology benefit from large-scale data sets with
high quality labels for abnormalities. We curated and analyzed a chest computed
tomography (CT) data set of 36,316 volumes from 19,993 unique patients. This is
the largest multiply-annotated volumetric medical imaging data set reported. To
annotate this data set, we developed a rule-based method for automatically
extracting abnormality labels from free-text radiology reports with an average
F-score of 0.976 (min 0.941, max 1.0). We also developed a model for
multi-organ, multi-disease classification of chest CT volumes that uses a deep
convolutional neural network (CNN). This model reached a classification
performance of AUROC greater than 0.90 for 18 abnormalities, with an average
AUROC of 0.773 for all 83 abnormalities, demonstrating the feasibility of
learning from unfiltered whole volume CT data. We show that training on more
labels improves performance significantly: for a subset of 9 labels - nodule,
opacity, atelectasis, pleural effusion, consolidation, mass, pericardial
effusion, cardiomegaly, and pneumothorax - the model's average AUROC increased
by 10% when the number of training labels was increased from 9 to all 83. All
code for volume preprocessing, automated label extraction, and the volume
abnormality prediction model will be made publicly available. The 36,316 CT
volumes and labels will also be made publicly available pending institutional
approval.
- Abstract（参考訳）: 放射線学のための機械学習モデルは、異常に対する高品質のラベルを持つ大規模データセットの恩恵を受ける。
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
これは、報告されている最大の倍量医用画像データである。
このデータセットに注釈を付けるために, 平均Fスコア0.976(min 0.941, max 1.0)のフリーテキストラジオグラフィーレポートから, 異常ラベルを自動的に抽出するルールベースの手法を開発した。
また, 深部畳み込みニューラルネットワーク(CNN)を用いた胸部CTボリュームの多臓器・多臓器分類モデルを開発した。
このモデルでは18の異常に対して0.90以上のAUROCを、83の異常に対して平均0.773のAUROCを分類し、未濾過全容CTデータからの学習の可能性を示した。
実験では,9つのラベルのサブセット(結節,不透明度,アトピーアシス,胸水,凝縮,腫瘤,心膜灌流,心膜,気胸)に対して,トレーニングラベル数が9から83に増加した場合,平均AUROCは10%増加した。
ボリューム前処理、ラベルの自動抽出、ボリューム異常予測モデルのためのすべてのコードは、公開される予定だ。
CTの36,316巻とラベルも公開され、機関の承認を待つ。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Improving Disease Classification Performance and Explainability of Deep
Learning Models in Radiology with Heatmap Generators [0.0]
3つの実験セットがU-Netアーキテクチャを用いて行われ、分類性能が向上した。
最大の改善点は「肺炎」クラスと「CHF」クラスであり、ベースラインモデルは分類に最も苦労した。
論文 参考訳（メタデータ） (2022-06-28T13:03:50Z) - 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) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Robust Classification from Noisy Labels: Integrating Additional
Knowledge for Chest Radiography Abnormality Assessment [14.631388658828921]
大規模な公開データセットの導入は、自動異常分類のための一連の新しいシステムに繋がった。
このような最適データからラベルノイズを処理する新しいトレーニング戦略を提案します。
平均AUCスコアが0.880の全ての異常に対して、提案したトレーニング戦略は、パフォーマンススコアを著しく向上させるのに有効である。
論文 参考訳（メタデータ） (2021-04-12T07:51:07Z) - COVID-19 identification from volumetric chest CT scans using a
progressively resized 3D-CNN incorporating segmentation, augmentation, and
class-rebalancing [4.446085353384894]
新型コロナウイルスは世界的なパンデミックの流行だ。
高い感度のコンピュータ支援スクリーニングツールは、疾患の診断と予後に不可欠である。
本稿では,3次元畳み込みニューラルネットワーク(CNN)に基づく分類手法を提案する。
論文 参考訳（メタデータ） (2021-02-11T18:16:18Z) - Multi-Label Annotation of Chest Abdomen Pelvis Computed Tomography Text
Reports Using Deep Learning [1.5701326192371183]
各種疾患, 臓器, 症例に応用可能なCT (Body Computed Tomography) 用マルチラベルアノテータを開発した。
我々は,放射線学テキストレポートから病名ラベルを抽出するルールベースのアルゴリズムを開発するために辞書手法を用いた。
RBA抽出ラベルを用いて注意誘導リカレントニューラルネットワーク(RNN)を訓練し、各臓器系に1つ以上の疾患や正常な疾患に陽性であるとして報告を分類した。
論文 参考訳（メタデータ） (2021-02-05T02:07:39Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。