論文の概要: A Computer-Aided Diagnosis System Using Artificial Intelligence for Hip
Fractures -Multi-Institutional Joint Development Research-
- arxiv url: http://arxiv.org/abs/2003.12443v5
- Date: Wed, 20 May 2020 04:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:52:33.316434
- Title: A Computer-Aided Diagnosis System Using Artificial Intelligence for Hip
Fractures -Multi-Institutional Joint Development Research-
- Title（参考訳）: 人工股関節骨折に対する人工知能を用いたコンピュータ支援診断システム -多施設共同研究-
- Authors: Yoichi Sato, Yasuhiko Takegami, Takamune Asamoto, Yutaro Ono, Tsugeno
Hidetoshi, Ryosuke Goto, Akira Kitamura, Seiwa Honda
- Abstract要約: 我々は,複数のセンターで収集した大規模なデータセットに基づいて学習した深層学習モデルを用いて,平面前頭部X線に対するコンピュータ支援診断システムを開発した。
学習モデルの診断精度は96.1%、感度95.2%、特異度96.9%、F値0.961、AUC 0.99である。
- 参考スコア（独自算出の注目度）: 12.529791744398596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: [Objective] To develop a Computer-aided diagnosis (CAD) system for plane
frontal hip X-rays with a deep learning model trained on a large dataset
collected at multiple centers. [Materials and Methods]. We included 5295 cases
with neck fracture or trochanteric fracture who were diagnosed and treated by
orthopedic surgeons using plane X-rays or computed tomography (CT) or magnetic
resonance imaging (MRI) who visited each institution between April 2009 and
March 2019 were enrolled. Cases in which both hips were not included in the
photographing range, femoral shaft fractures, and periprosthetic fractures were
excluded, and 5242 plane frontal pelvic X-rays obtained from 4,851 cases were
used for machine learning. These images were divided into 5242 images including
the fracture side and 5242 images without the fracture side, and a total of
10484 images were used for machine learning. A deep convolutional neural
network approach was used for machine learning. Pytorch 1.3 and Fast.ai 1.0
were used as frameworks, and EfficientNet-B4, which is pre-trained ImageNet
model, was used. In the final evaluation, accuracy, sensitivity, specificity,
F-value and area under the curve (AUC) were evaluated. Gradient-weighted class
activation mapping (Grad-CAM) was used to conceptualize the diagnostic basis of
the CAD system. [Results] The diagnostic accuracy of the learning model was
accuracy of 96. 1 %, sensitivity of 95.2 %, specificity of 96.9 %, F-value of
0.961, and AUC of 0.99. The cases who were correct for the diagnosis showed
generally correct diagnostic basis using Grad-CAM. [Conclusions] The CAD system
using deep learning model which we developed was able to diagnose hip fracture
in the plane X-ray with the high accuracy, and it was possible to present the
decision reason.
- Abstract（参考訳）: 目的〕複数のセンターで収集した大規模データセットを用いた深層学習モデルを用いて,平面前頭部X線画像のコンピュータ支援診断(CAD)システムの開発。
【材料・方法】
2009年4月から2019年3月までに各施設に来院した頚部骨折または大腿骨転子部骨折5295例に対し,平面X線,CT,MRIを用いて外科的治療を行った。
両股関節を撮影範囲に含まない症例, 大腿骨骨幹部骨折, 人工骨頭周囲骨折を除外し, 4,851例から得られた5242面前頭骨x線を機械学習に用いた。
これらの画像は、骨折側を含む5242画像と骨折側を含まない5242画像に分割され、合計10484画像が機械学習に使用された。
深層畳み込みニューラルネットワークアプローチは機械学習に使用された。
pytorch 1.3 と fast.ai 1.0 はフレームワークとして使われ、imagenet モデルである efficientnet-b4 が使用されていた。
最終評価では, 精度, 感度, 特異性, f値, および曲線下面積 (auc) を評価した。
CADシステムの診断基盤を概念化するために, 勾配重み付きクラスアクティベーションマッピング (Grad-CAM) を用いた。
結果]学習モデルの診断精度は96。
1 %,感度95.2 %,特異度96.9 %,f値0.961,auc 0.99。
診断に正確であった症例はgrad-camによる診断基準が概ね正解であった。
以上より, 深部学習モデルを用いたcadシステムは, 精度の高いx線面の股関節骨折の診断が可能であり, 決定理由の提示が可能であった。
関連論文リスト
- Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches [1.6505331001136514]
人工知能技術を用いたX線画像のセグメンテーションのためのフレームワークについて論じる。
提案手法は16のバッチサイズと50のエポックを持つよく知られたパラメータに関して,より優れた性能を発揮する。
SegNetとResidual Unetの検証精度、精度、リコールの値は、それぞれ0.9815、0.9699、0.9574、0.9901、0.9864、0.9750である。
論文 参考訳（メタデータ） (2024-05-18T13:43:43Z) - UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical
Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。
我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文 参考訳（メタデータ） (2023-11-10T02:47:15Z) - 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) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。
ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文 参考訳（メタデータ） (2022-05-25T12:01:03Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Classification of Fracture and Normal Shoulder Bone X-Ray Images Using
Ensemble and Transfer Learning With Deep Learning Models Based on
Convolutional Neural Networks [0.0]
様々な理由で肩骨折が起こり、身体の他の関節よりも広く、より多様な動きの領域が生じる。
画像はX線(X線)、磁気共鳴画像(MRI)、CT(CT)デバイスを介して肩用のデジタルイメージング・通信(DICOM)フォーマットで生成される。
移動学習とアンサンブル学習を用いた畳み込みニューラルネットワーク(CNN)に基づく深層学習モデルを用いて,肩骨X線画像の分類と比較を行った。
論文 参考訳（メタデータ） (2021-01-31T19:20:04Z) - COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。
機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。
精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文 参考訳（メタデータ） (2020-10-03T13:57:08Z) - SCREENet: A Multi-view Deep Convolutional Neural Network for
Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。
画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
論文 参考訳（メタデータ） (2020-09-18T00:12:33Z) - X-Ray bone abnormalities detection using MURA dataset [0.0]
スタンフォード大学が2017年にリリースしたMUデータセットに基づいてトレーニングしたディープネットワークについて紹介する。
本システムでは,X線写真から骨の異常を検知し,そのゾーンを可視化することができる。
論文 参考訳（メタデータ） (2020-08-07T19:58:56Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z)
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。