論文の概要: Automatic Diagnosis of Pulmonary Embolism Using an Attention-guided Framework: A Large-scale Study

• arxiv url: http://arxiv.org/abs/2006.00074v1
• Date: Fri, 29 May 2020 20:46:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 23:59:01.939671
• Title: Automatic Diagnosis of Pulmonary Embolism Using an Attention-guided Framework: A Large-scale Study
• Title（参考訳）: Attention-guided Framework を用いた肺塞栓症の自動診断 : 大規模研究
• Authors: Luyao Shi, Deepta Rajan, Shafiq Abedin, Manikanta Srikar Yellapragada, David Beymer, Ehsan Dehghan
• Abstract要約: 肺塞栓症 (PE) は、高い死亡率と致死性を伴う致命的な疾患である。 胸部CTでPEを検出するための深層学習モデルについて, 2段階のトレーニング戦略を用いて検討した。
• 参考スコア（独自算出の注目度）: 5.4009326643013065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary Embolism (PE) is a life-threatening disorder associated with high mortality and morbidity. Prompt diagnosis and immediate initiation of therapeutic action is important. We explored a deep learning model to detect PE on volumetric contrast-enhanced chest CT scans using a 2-stage training strategy. First, a residual convolutional neural network (ResNet) was trained using annotated 2D images. In addition to the classification loss, an attention loss was added during training to help the network focus attention on PE. Next, a recurrent network was used to scan sequentially through the features provided by the pre-trained ResNet to detect PE. This combination allows the network to be trained using both a limited and sparse set of pixel-level annotated images and a large number of easily obtainable patient-level image-label pairs. We used 1,670 sparsely annotated studies and more than 10,000 labeled studies in our training. On a test set with 2,160 patient studies, the proposed method achieved an area under the ROC curve (AUC) of 0.812. The proposed framework is also able to provide localized attention maps that indicate possible PE lesions, which could potentially help radiologists accelerate the diagnostic process.
• Abstract（参考訳）: 肺塞栓症 (PE) は、高い死亡率と致死性を伴う致命的な疾患である。 迅速な診断と治療活動の即時開始が重要である。 胸部CTでPEを検出するための深層学習モデルを2段階のトレーニング戦略を用いて検討した。 まず, 残差畳み込みニューラルネットワーク(resnet)を注釈付き2次元画像を用いて訓練した。 分類損失に加えて,ネットワークがPEに注意を集中するのを助けるために,トレーニング中に注意損失が加えられた。 次に、リカレントネットワークを使用して、事前トレーニングされたResNetが提供する機能を通じて順次スキャンし、PEを検出する。 この組み合わせにより、ネットワークは、限られたピクセルレベルアノテートされた画像セットと、容易に得られる患者レベルの画像ラベルペアの両方を使って訓練することができる。 1,670点のアノテーション付き研究と10,000点以上のラベル付き研究をトレーニングに使用した。 2,160名の患者を対象にした実験により,roc曲線 (auc) 下の面積0.812。 提案したフレームワークは、PE病変の可能性を示唆する局所的な注意マップを提供することもできるため、放射線医が診断プロセスを加速するのに役立つ可能性がある。

関連論文リスト

• Cross-Phase Mutual Learning Framework for Pulmonary Embolism Identification on Non-Contrast CT Scans [7.732867194190985]
  肺塞栓症 (PE) は, 急速かつ正確な診断が困難であるが, 主に非定型的な症状を呈する疾患である。 我々は,CTAからNCTスキャンへの知識伝達を促進する新しいクロスパス・ミューチュアル・ラーニング・フレームワーク (CPMN) を提案する。 CPMNは、NCTスキャンにおける患者レベルの感度と特異性において95.4%と99.6%の顕著な識別性能を達成している。
  論文  参考訳（メタデータ） (2024-07-16T09:29:33Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Anatomically aware dual-hop learning for pulmonary embolism detection in CT pulmonary angiograms [8.112976210963243]
  本稿では,コンピュータビジョンと深部ニューラルネットワークを効果的に組み合わせ,肺塞栓症検出のためのディープラーニングベースのアプローチを提案する。 本手法は, 解剖学的構造の自動検出, 2) 解剖学的事前訓練, 神経学, 3) PE検出のための二重ホップディープネットの3つの軸に沿って, 新規な改良を特徴とする。
  論文  参考訳（メタデータ） (2023-03-30T17:58:52Z)
• 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis from Lung CT Scans with Multi-Scale Guided Dense Attention [12.50972252041458]
  我々はPF-Netと呼ばれる新しい畳み込みニューラルネットワークを提案する。 PF-Netは2Dと3Dの畳み込みを組み合わせ、大きなスライス間隔でCTボリュームを扱う。 放射線誘起PFによるRhesus MacaquesのCTスキャン実験により、PF-Netは既存の2D, 3D, 2.5Dニューラルネットワークよりも高いセグメンテーション精度を示した。
  論文  参考訳（メタデータ） (2021-09-29T03:35:50Z)
• Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
  肺塞栓症(PE)は最も致命的な心血管疾患の一つである。 PE予測のための2段階注目型CNN-LSTMネットワークを提案する。 本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
  論文  参考訳（メタデータ） (2021-07-13T17:58:15Z)
• Pulmonary embolism identification in computerized tomography pulmonary angiography scans with deep learning technologies in COVID-19 patients [0.65756807269289]
  本稿では,A-Scans画像における肺塞栓症同定のための最も正確かつ高速な深層学習モデルについて紹介する。 本研究では,肺塞栓症の診断精度を向上させるために,分類モデルと対象検出モデルを組み合わせた高速トラックソリューション(システム)を提案する。
  論文  参考訳（メタデータ） (2021-05-24T10:23:21Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。