Fugu-MT 論文翻訳(概要): Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning

論文の概要: Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning

arxiv url: http://arxiv.org/abs/2008.01158v3
Date: Wed, 17 Nov 2021 02:42:07 GMT
ステータス: 処理完了
システム内更新日: 2022-11-03 06:15:18.724839
Title: Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning
Title（参考訳）: 深層学習による全身CT画像上の多発性疾患の分類
Authors: Fakrul Islam Tushar, Vincent M. D'Anniballe, Rui Hou, Maciej A. Mazurowski, Wanyi Fu, Ehsan Samei, Geoffrey D. Rubin, Joseph Y. Lo
Abstract要約: ルールベースのアルゴリズムを用いて、12,092人の患者から13,667体のCTスキャンから19,225の疾患ラベルを抽出した。各臓器について、3次元の畳み込みニューラルネットワークは、全15のラベルで4つの共通疾患に対して明らかな疾患を分類しなかった。結果: 抽出したラベルの手動検証により, 15種類のラベルで91%から99%の精度が確認された。
参考スコア（独自算出の注目度）: 7.287303475865695
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Purpose: To design multi-disease classifiers for body CT scans for three different organ systems using automatically extracted labels from radiology text reports.Materials & Methods: This retrospective study included a total of 12,092 patients (mean age 57 +- 18; 6,172 women) for model development and testing (from 2012-2017). Rule-based algorithms were used to extract 19,225 disease labels from 13,667 body CT scans from 12,092 patients. Using a three-dimensional DenseVNet, three organ systems were segmented: lungs and pleura; liver and gallbladder; and kidneys and ureters. For each organ, a three-dimensional convolutional neural network classified no apparent disease versus four common diseases for a total of 15 different labels across all three models. Testing was performed on a subset of 2,158 CT volumes relative to 2,875 manually derived reference labels from 2133 patients (mean age 58 +- 18;1079 women). Performance was reported as receiver operating characteristic area under the curve (AUC) with 95% confidence intervals by the DeLong method. Results: Manual validation of the extracted labels confirmed 91% to 99% accuracy across the 15 different labels. AUCs for lungs and pleura labels were: atelectasis 0.77 (95% CI: 0.74, 0.81), nodule 0.65 (0.61, 0.69), emphysema 0.89 (0.86, 0.92), effusion 0.97 (0.96, 0.98), and no apparent disease 0.89 (0.87, 0.91). AUCs for liver and gallbladder were: hepatobiliary calcification 0.62 (95% CI: 0.56, 0.67), lesion 0.73 (0.69, 0.77), dilation 0.87 (0.84, 0.90), fatty 0.89 (0.86, 0.92), and no apparent disease 0.82 (0.78, 0.85). AUCs for kidneys and ureters were: stone 0.83 (95% CI: 0.79, 0.87), atrophy 0.92 (0.89, 0.94), lesion 0.68 (0.64, 0.72), cyst 0.70 (0.66, 0.73), and no apparent disease 0.79 (0.75, 0.83). Conclusion: Weakly-supervised deep learning models were able to classify diverse diseases in multiple organ systems.
Abstract（参考訳）: 目的: 放射線学のテキストレポートから自動的に抽出されたラベルを用いて, 3種類の臓器用CTスキャン用多剤分類器を設計するために, モデル開発と検査(2012～2017年)のために, 計12,092人(平均57+18, 6,172人)の患者を対象とした。ルールベースのアルゴリズムを用いて、12,092人の患者から13,667体のCTスキャンから19,225の疾患ラベルを抽出した。 3次元DenseVNetを用いて肺と胸膜、肝臓と胆嚢、腎臓と尿管の3つの臓器系を分離した。各臓器について、3次元畳み込みニューラルネットワークは、3つのモデルで合計15の異なるラベルで、明らかな疾患と4つの一般的な疾患を分類していない。 2133例(平均年齢58歳+-18;1079女性)の2,875例と比較して,2,158個のCTボリュームで試験を行った。 DeLong法により95%信頼区間を有する曲線(AUC)下での受信特性領域としての性能を報告した。結果: 抽出ラベルの手動検証により、15の異なるラベルで91%から99%の精度が確認された。 Atelectasis 0.77 (95% CI: 0.74, 0.81), nodule 0.65 (0.61, 0.69), emphysema 0.89 (0.86, 0.92), effusion 0.97 (0.96, 0.98), no apparent disease 0.89 (0.87, 0.91)である。肝胆道石灰化 0.62 (95% ci: 0.56, 0.67), 病変 0.73 (0.69, 0.77), 拡張 0.87 (0.84, 0.90), 脂肪 0.89 (0.86, 0.92), 明らかな疾患は 0.82 (0.78, 0.85) であった。腎臓と尿管のAUCは、Stone 0.83 (95% CI: 0.79, 0.87), atrophy 0.92 (0.89, 0.94), lesion 0.68 (0.64, 0.72), cyst 0.70 (0.66, 0.73), and no apparent disease 0.79 (0.75, 0.83)である。結論: 弱教師付き深層学習モデルは多臓器系において多様な疾患を分類することができた。

関連論文リスト

BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans [2.602923751641061]
BeyondCT モデルは,非造影胸部CT から1秒間 (FEV1) の強制活量および強制呼気量を予測するために開発された。肺機能予測には非造影胸部CT検査が有用であった。
論文参考訳（メタデータ） (2024-08-10T22:28:02Z)
Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
論文参考訳（メタデータ） (2024-06-23T01:32:53Z)
Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文参考訳（メタデータ） (2024-02-08T16:54:20Z)
Can Deep Learning Reliably Recognize Abnormality Patterns on Chest X-rays? A Multi-Reader Study Examining One Month of AI Implementation in Everyday Radiology Clinical Practice [0.0]
胸部X線上の7種類の放射線学的所見を検出・局所化するための深層学習に基づく自動検出アルゴリズム(DLAD)を開発した。提案したDLADは高感度(ATE 1.000 (0.624-1.000), CON 0.864 (0.671-0.956), EFF 0.953 (0.887-0.983), LES 0.905 (0.715-0.978), SCE 1.000 (0.366-1.000), CMG 0.837 (0.711-0.917), PNO 0.875 (0.538-0.986)を実現した。本研究の結果から,提案したDLADが日常生活への統合の可能性を秘めていることが明らかとなった。
論文参考訳（メタデータ） (2023-05-17T10:43:50Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Deep Learning for Segmentation-based Hepatic Steatosis Detection on Open Data: A Multicenter International Validation Study [5.117364766785943]
この3段階のAIワークフローは、3D肝セグメンテーション、肝減衰測定、肝脂肪症検出からなる。ディープラーニングセグメンテーションの平均係数は0.957。普遍的な検出に採用されれば、このディープラーニングシステムは、早期に非侵襲的で非薬学的な予防的介入を可能にする可能性がある。
論文参考訳（メタデータ） (2022-10-27T03:24:52Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。