論文の概要: Spontaneous preterm birth prediction using convolutional neural networks
- arxiv url: http://arxiv.org/abs/2008.07000v2
- Date: Fri, 21 Aug 2020 19:35:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 09:15:25.833782
- Title: Spontaneous preterm birth prediction using convolutional neural networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた自発妊娠予測
- Authors: Tomasz W{\l}odarczyk, Szymon P{\l}otka, Przemys{\l}aw Rokita, Nicole
Sochacki-W\'ojcicka, Jakub W\'ojcicki, Micha{\l} Lipa, Tomasz Trzci\'nski
- Abstract要約: 毎年1500万人の赤ちゃんが生まれ過ぎている。
妊娠末期(PTB)の合併症により、毎年約100万人が死亡している。
- 参考スコア（独自算出の注目度）: 8.47519763941156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An estimated 15 million babies are born too early every year. Approximately 1
million children die each year due to complications of preterm birth (PTB).
Many survivors face a lifetime of disability, including learning disabilities
and visual and hearing problems. Although manual analysis of ultrasound images
(US) is still prevalent, it is prone to errors due to its subjective component
and complex variations in the shape and position of organs across patients. In
this work, we introduce a conceptually simple convolutional neural network
(CNN) trained for segmenting prenatal ultrasound images and classifying task
for the purpose of preterm birth detection. Our method efficiently segments
different types of cervixes in transvaginal ultrasound images while
simultaneously predicting a preterm birth based on extracted image features
without human oversight. We employed three popular network models: U-Net, Fully
Convolutional Network, and Deeplabv3 for the cervix segmentation task. Based on
the conducted results and model efficiency, we decided to extend U-Net by
adding a parallel branch for classification task. The proposed model is trained
and evaluated on a dataset consisting of 354 2D transvaginal ultrasound images
and achieved a segmentation accuracy with a mean Jaccard coefficient index of
0.923 $\pm$ 0.081 and a classification sensitivity of 0.677 $\pm$ 0.042 with a
3.49\% false positive rate. Our method obtained better results in the
prediction of preterm birth based on transvaginal ultrasound images compared to
state-of-the-art methods.
- Abstract（参考訳）: 毎年1500万人の赤ちゃんが生まれています。
早産(ptb)の合併症により毎年約100万人が死亡している。
多くの生存者は、学習障害や視覚や聴覚の問題など、生涯障害に直面している。
超音波画像(US)の手動解析はいまだ一般的であるが、主観的成分と患者間の臓器の形状と位置の複雑な変化により誤差が生じる傾向にある。
そこで本研究では,出生前超音波画像の分割と分類タスクを訓練した概念的に単純な畳み込みニューラルネットワーク(cnn)を提案する。
本手法は,人間の見落としのない抽出画像の特徴に基づいて,出生前を予測しながら,経血管超音波画像における各種の子宮頸部を効率的に分割する。
u-net,full convolutional network,deeplabv3の3つの一般的なネットワークモデルをセルビックスセグメンテーションタスクに採用した。
得られた結果とモデル効率に基づいて,分類タスクに並列ブランチを追加することで,u-netを拡張した。
提案モデルでは,354枚の2次元超音波画像からなるデータセットを訓練し,平均jaccard係数指数 0.923$\pm$ 0.081 と分類感度 0.677$\pm$ 0.042 のセグメンテーション精度を 3.49\% の偽陽性率で達成した。
術中超音波画像を用いた早期出生予測は,最先端法と比較して良好な結果を得た。
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) - Breast tumor classification based on self-supervised contrastive learning from ultrasound videos [7.825379326219145]
我々は,胸部超音波ビデオクリップから表現を学習するために,トリプルトネットワークと自己教師付きコントラスト学習手法を採用した。
本モデルでは,受信機動作特性曲線 (AUC) の0.952の領域を達成した。
提案フレームワークはラベル付きデータに対する需要を大幅に減らし,乳房超音波画像の自動診断に活用する可能性を秘めている。
論文 参考訳（メタデータ） (2024-08-20T07:16:01Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound
Imaging [61.60067283680348]
新型コロナウイルス(COVID-19)の世界的なパンデミックの出現に伴い、超音波画像を完全に自動化する必要がある。
本稿では,学習型コンピュータビジョン技術を取り入れた,視覚に基づくデータ駆動方式を提案する。
本手法は、プローブ位置決めのための15.52mm(9.47mm)、プローブ方位のための4.32(3.69deg)の精度を達成し、全走査目標に対する誤差閾値25mm以下で成功率を80%以上とした。
論文 参考訳（メタデータ） (2022-12-15T14:34:12Z) - BabyNet: Residual Transformer Module for Birth Weight Prediction on
Fetal Ultrasound Video [8.468600443532413]
本稿では,Residual Transformer Moduleを提案する。Residual Transformer Moduleは2D+t時間超音波ビデオスキャンの解析のために3D ResNetベースのネットワークを拡張している。
BabyNetと呼ばれるエンドツーエンドの手法は、胎児の超音波ビデオスキャンに基づいて胎児の体重を自動的に予測する。
論文 参考訳（メタデータ） (2022-05-19T08:27:23Z) - Enabling faster and more reliable sonographic assessment of gestational
age through machine learning [1.3238745915345225]
胎児超音波は出生前治療の不可欠な部分であり、妊娠年齢(GA)を推定するために用いられる。
我々は,標準平面画像を用いた画像モデル,フライトビデオを用いたビデオモデル,アンサンブルモデル(画像とビデオの組み合わせ)の3つのAIモデルを開発した。
これら3種は, 専門ソノグラフィーによる標準胎児バイオメトリに基づくGA推定よりも統計的に優れていた。
論文 参考訳（メタデータ） (2022-03-22T17:15:56Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Predi\c{c}\~ao da Idade Cerebral a partir de Imagens de Resson\^ancia
Magn\'etica utilizando Redes Neurais Convolucionais [57.52103125083341]
磁気共鳴画像を用いた脳年齢予測のための深層学習手法について検討した。
バイオマーカーの同定は、早期の神経変性過程の検出、および年齢または非年齢に関する認知低下の予測に有用である。
最も優れた結果は、平均絶対誤差3.83年を達成した2Dモデルによって得られた。
論文 参考訳（メタデータ） (2021-12-23T14:51:45Z) - Convolutional neural network based on transfer learning for breast
cancer screening [0.0]
本稿では, 超音波画像から乳がんを正確に同定するために, 深部畳み込みニューラルネットワークに基づくアルゴリズムを提案する。
537 Benign, 360 malignant, 133 normal image の胸部超音波データセットを用いていくつかの実験を行った。
k-foldクロスバリデーションとバッグアンサンブルを用いて、99.5%の精度と99.6%の感度を実現した。
論文 参考訳（メタデータ） (2021-12-22T02:27:12Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。