論文の概要: Assessing Robustness to Noise: Low-Cost Head CT Triage

• arxiv url: http://arxiv.org/abs/2003.07977v2
• Date: Sun, 29 Mar 2020 03:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 21:05:14.351130
• Title: Assessing Robustness to Noise: Low-Cost Head CT Triage
• Title（参考訳）: ノイズに対するロバスト性の評価:低コスト頭部CTトリアージ
• Authors: Sarah M. Hooper, Jared A. Dunnmon, Matthew P. Lungren, Sanjiv Sam Gambhir, Christopher R\'e, Adam S. Wang and Bhavik N. Patel
• Abstract要約: 我々は頭部CTをトリアージするモデルを開発し、受信機動作特性曲線(AUROC)の0.77の範囲を報告する。 AUROCは、管電流を16倍減らした画像に対してわずか0.65%、投射を8倍減らした画像に対して0.22%減少する。
• 参考スコア（独自算出の注目度）: 6.914268150661423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated medical image classification with convolutional neural networks (CNNs) has great potential to impact healthcare, particularly in resource-constrained healthcare systems where fewer trained radiologists are available. However, little is known about how well a trained CNN can perform on images with the increased noise levels, different acquisition protocols, or additional artifacts that may arise when using low-cost scanners, which can be underrepresented in datasets collected from well-funded hospitals. In this work, we investigate how a model trained to triage head computed tomography (CT) scans performs on images acquired with reduced x-ray tube current, fewer projections per gantry rotation, and limited angle scans. These changes can reduce the cost of the scanner and demands on electrical power but come at the expense of increased image noise and artifacts. We first develop a model to triage head CTs and report an area under the receiver operating characteristic curve (AUROC) of 0.77. We then show that the trained model is robust to reduced tube current and fewer projections, with the AUROC dropping only 0.65% for images acquired with a 16x reduction in tube current and 0.22% for images acquired with 8x fewer projections. Finally, for significantly degraded images acquired by a limited angle scan, we show that a model trained specifically to classify such images can overcome the technological limitations to reconstruction and maintain an AUROC within 0.09% of the original model.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(convolutional neural networks:cnns)を用いた自動医療画像分類は、医療、特に訓練を受けた放射線科医の少ない医療システムに影響を与える大きな可能性を秘めている。 しかし、訓練を受けたcnnが、ノイズレベルの増加、さまざまな取得プロトコル、あるいは低コストスキャナを使用する際に発生する追加のアーティファクトで、いかにうまく機能するかは、資金の豊富な病院から収集されたデータセットで過小評価されるか、ほとんど分かっていない。 本研究では,X線管電流の低減,ガントリー回転当たりのプロジェクションの低減,アングルスキャンの制限により得られた画像に対して,頭部CTスキャンのトリアージを訓練したモデルがどのように動作するかを検討する。 これらの変更は、スキャナーのコストと電力需要を削減できるが、画像ノイズやアーティファクトの増加を犠牲にしている。 まず,頭部CTのトリアージモデルを開発し,受信機動作特性曲線(AUROC)0.77の領域を報告する。 その結果、訓練されたモデルは管電流の低減と投影の低減に頑健であり、aurocは管電流の16倍の減少で取得した画像では0.65%、プロジェクションが8倍少ない画像では0.22%しか低下しないことがわかった。 最後に,限定角度スキャンにより得られた劣化画像に対して,そのような画像の分類に特化して訓練したモデルが,元のモデルの0.09%以内でAUROCを復元・維持するための技術的制約を克服できることを示す。

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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models from Chest X-Ray Images [21.19843479423806]
  胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。 肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。 骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。 本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
  論文  参考訳（メタデータ） (2023-11-26T15:13:13Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Impact of loss functions on the performance of a deep neural network designed to restore low-dose digital mammography [8.041868861658]
  階層的なスキップ接続を持つResNetアーキテクチャは、低線量デジタルマンモグラフィーを復元するために提案されている。 振り返りマンモグラフィ検査の400枚の画像から256,000枚の画像パッチを抽出した。 実際のシナリオでネットワークを検証するために、実際の低線量および標準のフル線量画像を取得するために、物理的人為的母乳ファントムを使用した。
  論文  参考訳（メタデータ） (2021-11-12T14:15:08Z)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Deep-Learning Driven Noise Reduction for Reduced Flux Computed Tomography [0.0]
  深層畳み込みニューラルネットワーク(dcnn)は、低品質、低用量、高用量、高用量の画像にマッピングするために使用できる。 トレーニング時間を増やすことなく、マイクロCTによるデータセットに基づく現在の結果を強調表示し、DCNN結果を改善するためのトランスファーラーニングを適用します。
  論文  参考訳（メタデータ） (2021-01-18T23:31:37Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。