論文の概要: Hand-drawn Symbol Recognition of Surgical Flowsheet Graphs with Deep Image Segmentation

• arxiv url: http://arxiv.org/abs/2006.16546v1
• Date: Tue, 30 Jun 2020 05:56:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 06:05:28.011184
• Title: Hand-drawn Symbol Recognition of Surgical Flowsheet Graphs with Deep Image Segmentation
• Title（参考訳）: 深部画像分割を伴う手術用フローシートグラフの手書きシンボル認識
• Authors: William Adorno III, Angela Yi, Marcel Durieux, Donald Brown
• Abstract要約: 本稿では,U-Netアーキテクチャを用いて,フローシートグラフ上で手書きシンボルを検出するディープイメージセグメンテーション手法を提案する。 U-Net法は、適切な時間間隔で、心拍数と血圧のシンボルを99%以上の精度で検出することができる。
• 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: Perioperative data are essential to investigating the causes of adverse surgical outcomes. In some low to middle income countries, these data are computationally inaccessible due to a lack of digitization of surgical flowsheets. In this paper, we present a deep image segmentation approach using a U-Net architecture that can detect hand-drawn symbols on a flowsheet graph. The segmentation mask outputs are post-processed with techniques unique to each symbol to convert into numeric values. The U-Net method can detect, at the appropriate time intervals, the symbols for heart rate and blood pressure with over 99 percent accuracy. Over 95 percent of the predictions fall within an absolute error of five when compared to the actual value. The deep learning model outperformed template matching even with a small size of annotated images available for the training set.
• Abstract（参考訳）: 周術期データは, 手術成績不良の原因調査に不可欠である。 低所得国や中所得国では、手術用フローシートのデジタル化が欠如しているため、これらのデータは計算上アクセスできない。 本稿では,U-Netアーキテクチャを用いて,フローシートグラフ上で手書きシンボルを検出するディープイメージセグメンテーション手法を提案する。 セグメンテーションマスクの出力は、各シンボル固有の技法で後処理され、数値に変換する。 U-Net法は、適切な時間間隔で、心拍数と血圧のシンボルを99%以上の精度で検出することができる。 予測の95%以上は、実際の値と比較して5の絶対誤差に該当する。 ディープラーニングモデルは、トレーニングセットで利用可能な注釈付きイメージの小さなサイズであっても、テンプレートマッチングを上回っていた。

関連論文リスト

• Towards Robust Cardiac Segmentation using Graph Convolutional Networks [0.9507020058422264]
  本稿では,心解剖学に基づく2つの畳み込み環を用いたグラフアーキテクチャを提案する。 この予測器は,分布外および不適な入力画像をリアルタイムに検出できることを示す。
  論文  参考訳（メタデータ） (2023-10-02T13:55:06Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Weakly supervised semantic segmentation of tomographic images in the diagnosis of stroke [0.0]
  本稿では,非コントラスト計算トモグラフィ脳画像上での急性脳梗塞による領域分割の自動アルゴリズムを提案する。 提案アルゴリズムは,いくつかの画像が正確にラベル付けされ,いくつかの画像が不正確なラベル付けされた場合に,弱教師付きシナリオで学習するために設計されている。
  論文  参考訳（メタデータ） (2021-09-04T15:24:38Z)
• Controllable cardiac synthesis via disentangled anatomy arithmetic [15.351113774542839]
  異方性解剖学算術」という枠組みを提案する。 生成モデルは、異なる入力画像の解剖学的要因と所望の撮像モダリティを組み合わせることを学習する。 我々のモデルは、リアルなイメージ、病理ラベル、セグメンテーションマスクを生成するために使用される。
  論文  参考訳（メタデータ） (2021-07-04T23:13:33Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Cherry-Picking Gradients: Learning Low-Rank Embeddings of Visual Data via Differentiable Cross-Approximation [53.95297550117153]
  本稿では,大規模な視覚データテンソルの処理を行うエンドツーエンドのトレーニング可能なフレームワークを提案する。 提案手法は大規模多次元グリッドデータや,大規模受容領域上のコンテキストを必要とするタスクに特に有用である。
  論文  参考訳（メタデータ） (2021-05-29T08:39:57Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Meta Corrupted Pixels Mining for Medical Image Segmentation [30.140008860735062]
  医用画像のセグメンテーションでは、正確なピクセルレベルのアノテーションを取得するのは非常に困難で費用がかかる。 本稿では,メタマスクネットワークに基づく新しいMeta Corrupted Pixels Mining (MCPM)法を提案する。 本手法は,分割ネットワーク学習における各画素の重要性を評価するために,重み付けマップを自動的に推定することを目的としている。
  論文  参考訳（メタデータ） (2020-07-07T15:12:20Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。