論文の概要: Diagnosis and Analysis of Celiac Disease and Environmental Enteropathy
on Biopsy Images using Deep Learning Approaches
- arxiv url: http://arxiv.org/abs/2006.06627v1
- Date: Thu, 11 Jun 2020 17:25:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 09:26:15.405934
- Title: Diagnosis and Analysis of Celiac Disease and Environmental Enteropathy
on Biopsy Images using Deep Learning Approaches
- Title（参考訳）: 深層学習法を用いた生検画像上の線虫病と環境腸症の診断と解析
- Authors: Kamran Kowsari
- Abstract要約: セリアック病(CD)と環境腸症(EE)は栄養失調の一般的な原因であり、正常な幼児期発達に悪影響を及ぼす。
この診断技術の主な課題は染色問題である。
本研究の第2部では,CDの異なる段階を診断するための2つの方法を提案する。
本研究の第3部では、これらの2つのステップを階層的医用画像分類(HMIC)として組み合わせ、疾患データを階層的に診断するモデルを構築した。
- 参考スコア（独自算出の注目度）: 0.6091702876917279
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Celiac Disease (CD) and Environmental Enteropathy (EE) are common causes of
malnutrition and adversely impact normal childhood development. Both conditions
require a tissue biopsy for diagnosis and a major challenge of interpreting
clinical biopsy images to differentiate between these gastrointestinal diseases
is striking histopathologic overlap between them. In the current study, we
propose four diagnosis techniques for these diseases and address their
limitations and advantages. First, the diagnosis between CD, EE, and Normal
biopsies is considered, but the main challenge with this diagnosis technique is
the staining problem. The dataset used in this research is collected from
different centers with different staining standards. To solve this problem, we
use color balancing in order to train our model with a varying range of colors.
Random Multimodel Deep Learning (RMDL) architecture has been used as another
approach to mitigate the effects of the staining problem. RMDL combines
different architectures and structures of deep learning and the final output of
the model is based on the majority vote. CD is a chronic autoimmune disease
that affects the small intestine genetically predisposed children and adults.
Typically, CD rapidly progress from Marsh I to IIIa. Marsh III is sub-divided
into IIIa (partial villus atrophy), Marsh IIIb (subtotal villous atrophy), and
Marsh IIIc (total villus atrophy) to explain the spectrum of villus atrophy
along with crypt hypertrophy and increased intraepithelial lymphocytes. In the
second part of this study, we proposed two ways for diagnosing different stages
of CD. Finally, in the third part of this study, these two steps are combined
as Hierarchical Medical Image Classification (HMIC) to have a model to diagnose
the disease data hierarchically.
- Abstract（参考訳）: celiac disease (cd) とenvironmental enteropathy (ee) は栄養失調の一般的な原因であり、正常な小児の発達に悪影響を及ぼす。
どちらも診断に組織生検を必要としており、これらの消化管疾患を区別するために臨床生検画像の解釈が大きな課題となっている。
本研究は,これらの疾患に対する4つの診断手法を提案し,その限界と利点に対処するものである。
まず,CD,EE,および正常生検の診断について検討するが,本診断における主な課題は染色問題である。
この研究で使用されるデータセットは、異なる染色基準を持つ異なるセンターから収集される。
この問題を解決するために,我々はカラーバランスを用いて様々な色でモデルを訓練する。
Random Multimodel Deep Learning (RMDL) アーキテクチャは、染色問題の影響を軽減する別のアプローチとして使われている。
RMDLは異なるアーキテクチャとディープラーニングの構造を組み合わせており、モデルの最終的な出力は多数決に基づいています。
CDは慢性自己免疫疾患であり、遺伝学的に妊娠した子供と成人に影響を及ぼす。
通常、CDはマーシュIからIIIaへと急速に進歩する。
マーシュiiiはiiia (partial villus atrophy)、マーシュiiib (subtotal villous atrophy)、マーシュiiic (total villus atrophy)に分類され、villus atrophyのスペクトルとcrypt hypertrophyおよび上皮内リンパ球の増加を説明する。
本研究の第2部では,CDの異なる段階を診断するための2つの方法を提案する。
最後に,本研究の第3部では,これら2つのステップを階層的医用画像分類(hmic)として組み合わせ,疾患データを階層的に診断するモデルを構築した。
関連論文リスト
- FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - DDI-CoCo: A Dataset For Understanding The Effect Of Color Contrast In
Machine-Assisted Skin Disease Detection [51.92255321684027]
皮膚のトーンと色差効果の相互作用について検討し,色差が皮膚のトーン間のモデル性能バイアスの新たな原因となる可能性が示唆された。
我々の研究は皮膚疾患の検出を改善するために皮膚科のAIに補完的な角度を提供する。
論文 参考訳（メタデータ） (2024-01-24T07:45:24Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳（メタデータ） (2023-12-28T10:30:54Z) - Towards long-tailed, multi-label disease classification from chest X-ray: Overview of the CXR-LT challenge [59.323306639144526]
診断医用画像検査など,現実的な画像認識の問題が数多く発生している。
診断は長い尾と多ラベルの問題であり、患者は複数の所見を呈することが多い。
我々は共通のテーマを合成し、長い尾を持つマルチラベルの医用画像分類のためのレコメンデーションを提供する。
論文 参考訳（メタデータ） (2023-10-24T18:26:22Z) - Interpretable histopathology-based prediction of disease relevant
features in Inflammatory Bowel Disease biopsies using weakly-supervised deep
learning [0.8521205677945196]
Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。
深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
論文 参考訳（メタデータ） (2023-03-20T15:59:29Z) - Deep grading for MRI-based differential diagnosis of Alzheimer's disease
and Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭性認知症は神経変性性認知症の一般的な形態である。
現在の構造イメージングは、主に疾患の検出に焦点をあてるが、その鑑別診断にはほとんど焦点を当てない。
本稿では,疾患検出と鑑別診断の両問題に対するディープラーニングに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-11-25T13:25:18Z) - Interpretable differential diagnosis for Alzheimer's disease and
Frontotemporal dementia [0.0]
アルツハイマー病と前頭側頭性認知症は2つの主要な認知症である。
これら2種類の認知症の鑑別診断は、臨床症状の類似パターンにより、疾患の初期段階では困難である。
近年の医用画像の深層学習は,様々な分類課題において高い性能を示した。
論文 参考訳（メタデータ） (2022-06-15T09:44:30Z) - Automatic Classification of Neuromuscular Diseases in Children Using
Photoacoustic Imaging [77.32032399775152]
神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。
激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
論文 参考訳（メタデータ） (2022-01-27T16:37:19Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z)
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。