論文の概要: Deep learning for detection and segmentation of artefact and disease
instances in gastrointestinal endoscopy
- arxiv url: http://arxiv.org/abs/2010.06034v2
- Date: Wed, 17 Feb 2021 17:49:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 05:29:44.103524
- Title: Deep learning for detection and segmentation of artefact and disease
instances in gastrointestinal endoscopy
- Title（参考訳）: 消化器内視鏡検査におけるアーティファクトおよび疾患症例の検出と分別のための深層学習
- Authors: Sharib Ali, Mariia Dmitrieva, Noha Ghatwary, Sophia Bano, Gorkem
Polat, Alptekin Temizel, Adrian Krenzer, Amar Hekalo, Yun Bo Guo, Bogdan
Matuszewski, Mourad Gridach, Irina Voiculescu, Vishnusai Yoganand, Arnav
Chavan, Aryan Raj, Nhan T. Nguyen, Dat Q. Tran, Le Duy Huynh, Nicolas Boutry,
Shahadate Rezvy, Haijian Chen, Yoon Ho Choi, Anand Subramanian, Velmurugan
Balasubramanian, Xiaohong W. Gao, Hongyu Hu, Yusheng Liao, Danail Stoyanov,
Christian Daul, Stefano Realdon, Renato Cannizzaro, Dominique Lamarque, Terry
Tran-Nguyen, Adam Bailey, Barbara Braden, James East and Jens Rittscher
- Abstract要約: Endoscopy Computer Vision Challenge (EndoCV) は、信頼性の高いコンピュータ支援型診断・診断内視鏡システムの開発における卓越した問題を解決するためのクラウドソーシングイニシアチブである。
1)視覚的解釈を妨げる多階級の人工物の存在、2)微妙な前駆体とがんの異常を特定するのが困難である。
EndoCV 2020の課題は、これらのミッションにおける研究上の問題に対処するために設計されている。
- 参考スコア（独自算出の注目度）: 7.840459682652335
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Endoscopy Computer Vision Challenge (EndoCV) is a crowd-sourcing
initiative to address eminent problems in developing reliable computer aided
detection and diagnosis endoscopy systems and suggest a pathway for clinical
translation of technologies. Whilst endoscopy is a widely used diagnostic and
treatment tool for hollow-organs, there are several core challenges often faced
by endoscopists, mainly: 1) presence of multi-class artefacts that hinder their
visual interpretation, and 2) difficulty in identifying subtle precancerous
precursors and cancer abnormalities. Artefacts often affect the robustness of
deep learning methods applied to the gastrointestinal tract organs as they can
be confused with tissue of interest. EndoCV2020 challenges are designed to
address research questions in these remits. In this paper, we present a summary
of methods developed by the top 17 teams and provide an objective comparison of
state-of-the-art methods and methods designed by the participants for two
sub-challenges: i) artefact detection and segmentation (EAD2020), and ii)
disease detection and segmentation (EDD2020). Multi-center, multi-organ,
multi-class, and multi-modal clinical endoscopy datasets were compiled for both
EAD2020 and EDD2020 sub-challenges. The out-of-sample generalization ability of
detection algorithms was also evaluated. Whilst most teams focused on accuracy
improvements, only a few methods hold credibility for clinical usability. The
best performing teams provided solutions to tackle class imbalance, and
variabilities in size, origin, modality and occurrences by exploring data
augmentation, data fusion, and optimal class thresholding techniques.
- Abstract（参考訳）: Endoscopy Computer Vision Challenge (EndoCV) は、信頼性の高いコンピュータ支援型診断内視鏡システムの開発における卓越した問題を解決するためのクラウドソーシングイニシアチブである。
内視鏡検査は中空臓器の診断・治療に広く用いられているが,内科医が直面する課題はいくつかある。
1)視覚的解釈を妨げる多種的人工物の存在、及び
2) 微妙な前駆体と癌異常の同定が困難である。
人工物は、関心の組織と混同できるため、消化管臓器に適用される深層学習法の堅牢性に影響を与えることが多い。
EndoCV2020の課題は、これらのミッションにおける研究課題に対処するために設計されている。
本稿では,トップ17チームが開発した手法の概要と,参加者が2つのサブチャリエンスのために設計した最先端手法と手法の客観的比較を行う。
一 アーティファクト検出及びセグメンテーション(ead2020)及び
二 疾患の検出及び分節(EDD2020)
EAD2020およびEDD2020サブチャンジの多施設,多組織,多クラス,多モード臨床内視鏡データセットを作成した。
検出アルゴリズムのサンプル外一般化能力も評価した。
ほとんどのチームは精度の改善に重点を置いているが、臨床使用性に対する信頼性を保っている方法はわずかである。
ベストパフォーマンスなチームは、データ拡張、データ融合、最適なクラスしきい値技術を探求することで、クラス不均衡とサイズ、起源、モダリティ、発生の変動に対処するソリューションを提供した。
関連論文リスト
- Artificial Intelligence in Gastrointestinal Bleeding Analysis for Video Capsule Endoscopy: Insights, Innovations, and Prospects (2008-2023) [0.7119794757408745]
全世界で30万人もの死亡が胃腸出血と関連している。
Video Capsule Endoscopy (VCE) は、消化器の包括的、非侵襲的な可視化を提供することにより、大きな進歩を遂げた。
その利点にもかかわらず、VCEの有効性は、時間を要する分析や人間のエラーに対する感受性など、診断上の課題によって妨げられている。
本稿では,出血検出における機械学習(ML)手法の現状を評価し,その有効性,課題,今後の方向性を明らかにする。
論文 参考訳（メタデータ） (2024-09-01T07:13:28Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Learning Through Guidance: Knowledge Distillation for Endoscopic Image
Classification [40.366659911178964]
内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。
ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。
KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
論文 参考訳（メタデータ） (2023-08-17T02:02:11Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - Assessing generalisability of deep learning-based polyp detection and
segmentation methods through a computer vision challenge [11.914243295893984]
ポリープは大腸内視鏡で同定されたよく知られたがん前駆体である。
大腸ポリープのサーベイランスと除去は、非常に操作性に依存した手順である。
大腸ポリープの欠失検出率と不完全除去率がある。
論文 参考訳（メタデータ） (2022-02-24T11:25:52Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - Endoscopy disease detection challenge 2020 [0.40631409309544825]
本稿では、EDD2020データセットの概要、課題タスク、評価戦略、およびテストデータに対する結果の概要について述べる。
EDD2020は、最近のディープラーニング手法の実現可能性をテストするためのクラウドソーシングイニシアチブである。
課題ワークショップの後に詳細な論文を起草し、その結果についてより詳細な分析を行う。
論文 参考訳（メタデータ） (2020-03-07T00:41:28Z)
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。