論文の概要: Deep Learning to Quantify Pulmonary Edema in Chest Radiographs
- arxiv url: http://arxiv.org/abs/2008.05975v2
- Date: Thu, 7 Jan 2021 16:12:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 23:48:46.038271
- Title: Deep Learning to Quantify Pulmonary Edema in Chest Radiographs
- Title（参考訳）: 胸部x線写真における肺浮腫の定量化のための深層学習
- Authors: Steven Horng, Ruizhi Liao, Xin Wang, Sandeep Dalal, Polina Golland,
Seth J Berkowitz
- Abstract要約: 肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
- 参考スコア（独自算出の注目度）: 7.121765928263759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop a machine learning model to classify the severity grades
of pulmonary edema on chest radiographs.
Materials and Methods: In this retrospective study, 369,071 chest radiographs
and associated radiology reports from 64,581 (mean age, 51.71; 54.51% women)
patients from the MIMIC-CXR chest radiograph dataset were included. This
dataset was split into patients with and without congestive heart failure
(CHF). Pulmonary edema severity labels from the associated radiology reports
were extracted from patients with CHF as four different ordinal levels: 0, no
edema; 1, vascular congestion; 2, interstitial edema; and 3, alveolar edema.
Deep learning models were developed using two approaches: a semi-supervised
model using a variational autoencoder and a pre-trained supervised learning
model using a dense neural network. Receiver operating characteristic curve
analysis was performed on both models.
Results: The area under the receiver operating characteristic curve (AUC) for
differentiating alveolar edema from no edema was 0.99 for the semi-supervised
model and 0.87 for the pre-trained models. Performance of the algorithm was
inversely related to the difficulty in categorizing milder states of pulmonary
edema (shown as AUCs for semi-supervised model and pre-trained model,
respectively): 2 versus 0, 0.88 and 0.81; 1 versus 0, 0.79 and 0.66; 3 versus
1, 0.93 and 0.82; 2 versus 1, 0.69 and 0.73; and, 3 versus 2, 0.88 and 0.63.
Conclusion: Deep learning models were trained on a large chest radiograph
dataset and could grade the severity of pulmonary edema on chest radiographs
with high performance.
- Abstract（参考訳）: 目的:胸部x線写真における肺浮腫重症度を分類する機械学習モデルを開発すること。
資料と方法: 胸部x線写真369,071例と,64,581例(平均年齢51.71例,女性54.51%例)の胸部x線写真データを用いて検討した。
このデータセットは、心不全(CHF)を伴わない患者に分割された。
肺浮腫の重症度は,CHF患者から0,非浮腫,1,血管詰まり,2,間質浮腫,3,肺胞浮腫の4つの異なる順に抽出された。
ディープラーニングモデルは,変分オートエンコーダを用いた半教師付きモデルと,高密度ニューラルネットワークを用いた事前訓練型教師付き学習モデルという2つのアプローチを用いて開発された。
両モデルとも受信機動作特性曲線解析を行った。
結果: 歯槽浮腫と非浮腫を鑑別するためのレシーバ操作特性曲線(AUC)の面積は, 半教師モデルでは0.99, 事前訓練モデルでは0.87であった。
2対0, 0.88, 0.81; 1対0, 0.79, 0.66; 3対1, 0.93, 0.82; 2対1, 0.69, 0.73; 3対2, 0.88, 0.63; 肺浮腫の軽度の状態の分類が困難であった。
結論: 深層学習モデルは胸部X線写真データセットを用いて訓練し, 肺浮腫の重症度を高い成績で評価することができた。
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) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文 参考訳（メタデータ） (2023-03-20T14:06:32Z) - 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) - 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。
その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。
肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文 参考訳（メタデータ） (2022-07-27T23:50:47Z) - Improving Disease Classification Performance and Explainability of Deep
Learning Models in Radiology with Heatmap Generators [0.0]
3つの実験セットがU-Netアーキテクチャを用いて行われ、分類性能が向上した。
最大の改善点は「肺炎」クラスと「CHF」クラスであり、ベースラインモデルは分類に最も苦労した。
論文 参考訳（メタデータ） (2022-06-28T13:03:50Z) - 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 Identification of Thoracic Pathology from Chest Radiographs
with Enhanced Training Pipeline [0.0]
現在入手可能な112のChestX-ray14、30,805人の胸部X線写真を用いています。
各画像には「NoFinding」クラスまたは14の胸部病理組織ラベルが付与された。
k-hotエンコーディングを用いてラベルをバイナリベクトルとして符号化した。
論文 参考訳（メタデータ） (2020-06-11T20:43:09Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - 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。