論文の概要: Accurate and Efficient Intracranial Hemorrhage Detection and Subtype
Classification in 3D CT Scans with Convolutional and Long Short-Term Memory
Neural Networks
- arxiv url: http://arxiv.org/abs/2008.00302v3
- Date: Tue, 29 Sep 2020 14:55:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 00:56:52.612756
- Title: Accurate and Efficient Intracranial Hemorrhage Detection and Subtype
Classification in 3D CT Scans with Convolutional and Long Short-Term Memory
Neural Networks
- Title(参考訳): 畳み込み型および長期記憶型ニューラルネットワークを用いた3次元CTスキャンにおける頭蓋内出血検出とサブタイプ分類
- Authors: Mihail Burduja, Radu Tudor Ionescu and Nicolae Verga
- Abstract要約: RSNA頭蓋内出血検出のためのシステムについて紹介する。
提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。
最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
- 参考スコア(独自算出の注目度): 20.4701676109641
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we present our system for the RSNA Intracranial Hemorrhage
Detection challenge. The proposed system is based on a lightweight deep neural
network architecture composed of a convolutional neural network (CNN) that
takes as input individual CT slices, and a Long Short-Term Memory (LSTM)
network that takes as input feature embeddings provided by the CNN. For
efficient processing, we consider various feature selection methods to produce
a subset of useful CNN features for the LSTM. Furthermore, we reduce the CT
slices by a factor of 2x, allowing ourselves to train the model faster. Even if
our model is designed to balance speed and accuracy, we report a weighted mean
log loss of 0.04989 on the final test set, which places us in the top 30
ranking (2%) from a total of 1345 participants. Although our computing
infrastructure does not allow it, processing CT slices at their original scale
is likely to improve performance. In order to enable others to reproduce our
results, we provide our code as open source at
https://github.com/warchildmd/ihd. After the challenge, we conducted a
subjective intracranial hemorrhage detection assessment by radiologists,
indicating that the performance of our deep model is on par with that of
doctors specialized in reading CT scans. Another contribution of our work is to
integrate Grad-CAM visualizations in our system, providing useful explanations
for its predictions. We therefore consider our system as a viable option when a
fast diagnosis or a second opinion on intracranial hemorrhage detection are
needed.
- Abstract(参考訳): 本稿では,RSNA脳内出血検出のためのシステムについて紹介する。
提案システムは,個々のCTスライスを入力とする畳み込みニューラルネットワーク(CNN)と,CNNが提供する入力特徴埋め込みを受信するLong Short-Term Memory(LSTM)ネットワークで構成される,軽量なディープニューラルネットワークアーキテクチャに基づいている。
効率的な処理のために,LSTMに有用なCNN特徴のサブセットを生成する様々な特徴選択法を検討する。
さらに、CTスライスを2倍に減らし、より高速にモデルを訓練できるようにします。
我々のモデルが速度と精度のバランスをとるように設計されているとしても、最終テストセットで重み付けされた平均ログ損失は0.04989であり、合計1345人の参加者から上位30位(2%)に入る。
我々の計算インフラでは利用できないが、CTスライスを元のスケールで処理することで性能が向上する可能性が高い。
他の人が結果を再現できるように、私たちはコードをhttps://github.com/warchildmd/ihdでオープンソースとして提供します。
課題の後, 放射線技師による主観的頭蓋内出血検出試験を行い, 深部モデルの性能はCTスキャンを専門とする医師と同等であることが示唆された。
私たちの研究のもうひとつの貢献は、Grad-CAMビジュアライゼーションをシステムに統合し、その予測に有用な説明を提供することです。
そこで我々は,頭蓋内出血の早期診断や第2の意見が必要な場合,本システムを有効な選択肢とみなす。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳(メタデータ) (2022-11-10T13:11:21Z) - Slice-level Detection of Intracranial Hemorrhage on CT Using Deep
Descriptors of Adjacent Slices [0.31317409221921133]
そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。
我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。
提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
論文 参考訳(メタデータ) (2022-08-05T23:20:37Z) - 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) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳(メタデータ) (2022-04-11T23:24:03Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - A CNN-LSTM Architecture for Detection of Intracranial Hemorrhage on CT
scans [0.3670422696827525]
本稿では,脳内出血の正確な予測のために,畳み込みニューラルネットワーク(CNN)と長期記憶機構(LSTM)を組み合わせた新しい手法を提案する。
CNNはスライスワイズ機能抽出器の役割を担い、LSTMはスライス機能間のリンクを担当している。
近年のRSNA頭蓋内出血検出とCQ500データセットを用いて本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-05-22T04:00:04Z) - 3D Aggregated Faster R-CNN for General Lesion Detection [20.43919148873075]
本稿では, エンドツーエンドの3D Aggregated Faster R-CNNソリューションを実装した。
LUNA16とDeepLesionの両方のデータセット上で、我々のモデルがアートパフォーマンスの状態を達成できることを実証する。
論文 参考訳(メタデータ) (2020-01-29T19:57:35Z)
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。