論文の概要: Local Adaptation Improves Accuracy of Deep Learning Model for Automated
X-Ray Thoracic Disease Detection : A Thai Study
- arxiv url: http://arxiv.org/abs/2004.10975v3
- Date: Tue, 12 May 2020 08:20:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-10 09:19:27.348578
- Title: Local Adaptation Improves Accuracy of Deep Learning Model for Automated
X-Ray Thoracic Disease Detection : A Thai Study
- Title(参考訳): 局所適応はX線胸部疾患検出のための深層学習モデルの精度を向上させる : タイ研究
- Authors: Isarun Chamveha, Trongtum Tongdee, Pairash Saiviroonporn, and
Warasinee Chaisangmongkon
- Abstract要約: 本研究では421,859個の局所胸部X線写真を用いて,胸部疾患自動検出のためのディープラーニングアルゴリズムの開発と試験を行った。
コンボリューションニューラルネットワークは, 胸部X線上の13の異常条件を検出することで, 顕著な性能を発揮することが示唆された。
本稿では,CXR異常検出のための最先端モデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite much promising research in the area of artificial intelligence for
medical image diagnosis, there has been no large-scale validation study done in
Thailand to confirm the accuracy and utility of such algorithms when applied to
local datasets. Here we present a wide-reaching development and testing of a
deep learning algorithm for automated thoracic disease detection, utilizing
421,859 local chest radiographs. Our study shows that convolutional neural
networks can achieve remarkable performance in detecting 13 common abnormality
conditions on chest X-ray, and the incorporation of local images into the
training set is key to the model's success. This paper presents a
state-of-the-art model for CXR abnormality detection, reaching an average AUROC
of 0.91. This model, if integrated to the workflow, can result in up to 55.6%
work reduction for medical practitioners in the CXR analysis process. Our work
emphasizes the importance of investing in local research of medical diagnosis
algorithms to ensure safe and efficient usage within the intended region.
- Abstract(参考訳): 医療画像診断における人工知能の分野における有望な研究にもかかわらず、タイでは、ローカルデータセットに適用されるアルゴリズムの正確性と有用性を確認するための大規模な検証研究は行われていない。
421,859個の局所胸部x線写真を用いて,胸部疾患の自動検出のための深部学習アルゴリズムの開発とテストを行った。
本研究は,畳み込みニューラルネットワークが胸部x線上の13個の共通異常条件の検出において顕著な性能を発揮することを示し,局所画像のトレーニングセットへの取り込みが,モデルの成功の鍵となる。
本稿では,CXR異常検出のための最先端モデルを提案する。
このモデルがワークフローに統合されれば、CXR分析プロセスにおける医療従事者に対して、最大55.6%の作業削減が達成される。
本研究は,領域内での安全かつ効率的な使用を確保するために,医療診断アルゴリズムのローカルな研究に投資することの重要性を強調している。
関連論文リスト
- Object Detection for Automated Coronary Artery Using Deep Learning [0.0]
本稿では,冠動脈狭窄の部位を正確に同定するために,X線血管造影画像の物体検出法を応用した。
このモデルにより,狭窄箇所の自動的かつリアルタイムな検出が可能となり,決定プロセスの重要かつ機密性の高い支援が可能となった。
論文 参考訳(メタデータ) (2023-12-19T13:14:52Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case
Study on COVID-19 Chest X-ray Image [3.135883872525168]
胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。
深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。
本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-05-27T20:06:45Z) - 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) - Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs [0.0]
本稿では,高密度畳み込みニューラルネットワーク(DenseNet)とモデル解釈可能性を用いた胸部X線診断モデルを提案する。
我々は前頭前頭X線を用いてモデルを訓練し、受信機動作特性曲線(AUC)の下の領域を含む様々な定量的指標を用いてその性能を評価した。
提案モデルでは,NoduleのAUCスコアは0.655,精度0.66のAUCスコアは0.826で,AUCスコアは0.896,Noduleは0.655であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳(メタデータ) (2021-12-06T16:30:43Z) - Fracture Detection in Wrist X-ray Images Using Deep Learning-Based
Object Detection Models [0.0]
本研究の目的は,手首X線画像の深部学習によるフラクチャー検出である。
その結果, WFD_Cモデルでは, 26種類の骨折が検出され, 平均精度が0.8639であった。
論文 参考訳(メタデータ) (2021-11-14T14:21:24Z) - 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) - 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)
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。