論文の概要: Sensitivity and Specificity Evaluation of Deep Learning Models for
Detection of Pneumoperitoneum on Chest Radiographs
- arxiv url: http://arxiv.org/abs/2010.08872v1
- Date: Sat, 17 Oct 2020 21:41:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 12:15:20.985782
- Title: Sensitivity and Specificity Evaluation of Deep Learning Models for
Detection of Pneumoperitoneum on Chest Radiographs
- Title（参考訳）: 胸部X線写真における気腹検出のための深層学習モデルの感度と特異性評価
- Authors: Manu Goyal, Judith Austin-Strohbehn, Sean J. Sun, Karen Rodriguez,
Jessica M. Sin, Yvonne Y. Cheung and Saeed Hassanpour
- Abstract要約: 最先端のディープラーニングモデル(ResNet101、InceptionV3、DenseNet161、ResNeXt101)は、このデータセットのサブセットでトレーニングされた。
DenseNet161モデルは、異なるイメージングシステムから無線画像の正確な分類を可能にした。
- 参考スコア（独自算出の注目度）: 0.8437813529429724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Deep learning has great potential to assist with detecting and
triaging critical findings such as pneumoperitoneum on medical images. To be
clinically useful, the performance of this technology still needs to be
validated for generalizability across different types of imaging systems.
Materials and Methods: This retrospective study included 1,287 chest X-ray
images of patients who underwent initial chest radiography at 13 different
hospitals between 2011 and 2019. The chest X-ray images were labelled
independently by four radiologist experts as positive or negative for
pneumoperitoneum. State-of-the-art deep learning models (ResNet101,
InceptionV3, DenseNet161, and ResNeXt101) were trained on a subset of this
dataset, and the automated classification performance was evaluated on the rest
of the dataset by measuring the AUC, sensitivity, and specificity for each
model. Furthermore, the generalizability of these deep learning models was
assessed by stratifying the test dataset according to the type of the utilized
imaging systems. Results: All deep learning models performed well for
identifying radiographs with pneumoperitoneum, while DenseNet161 achieved the
highest AUC of 95.7%, Specificity of 89.9%, and Sensitivity of 91.6%.
DenseNet161 model was able to accurately classify radiographs from different
imaging systems (Accuracy: 90.8%), while it was trained on images captured from
a specific imaging system from a single institution. This result suggests the
generalizability of our model for learning salient features in chest X-ray
images to detect pneumoperitoneum, independent of the imaging system.
- Abstract（参考訳）: 背景: 深層学習は, 医用画像上の肺炎腹膜などの重要な所見を検出し, トリアージする上で大きな効果がある。
臨床的に有用であるためには、この技術の性能を様々な種類のイメージングシステムにまたがる一般化性に検証する必要がある。
対象と方法:2011年から2019年の間に13の病院で胸部X線撮影を行った患者の1287例の胸部X線画像。
胸部X線像は4名の放射線技師が独立に陰性,陰性と診断した。
最新のディープラーニングモデル (ResNet101, InceptionV3, DenseNet161, ResNeXt101) をこのデータセットのサブセットでトレーニングし, 各モデルのAUC, 感度, 特異性を測定して, データセットの残りの部分で自動分類性能を評価した。
さらに,これらの深層学習モデルの汎用性について,利用画像システムの種類に応じてテストデータセットを階層化することで評価した。
結果: すべての深部学習モデルは気腹によるx線像の同定に成功し, densenet161は95.7%, 特異度89.9%, 感度91.6%であった。
DenseNet161モデルは、異なるイメージングシステム(精度:90.8%)から無線画像を正確に分類することができ、一方、特定のイメージングシステムから取得した画像に基づいて訓練された。
この結果から,胸部X線画像における有意な特徴を学習するためのモデルの有用性が示唆された。
関連論文リスト
- AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。
提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文 参考訳（メタデータ） (2024-10-20T16:08:20Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳（メタデータ） (2023-08-09T02:04:05Z) - Enhancing COVID-19 Diagnosis through Vision Transformer-Based Analysis
of Chest X-ray Images [0.0]
この研究は、生の胸部X線画像を利用して、新型コロナウイルスの診断を自動化するための革新的な枠組みを提唱している。
開発されたモデルはバイナリ分類性能で評価され、通常の症例と区別される。
提案モデルでは,2進分類では99.92%,99.84%,第三進分類では97.95%,第四進分類では86.48%,第四進分類では86.81%であった。
論文 参考訳（メタデータ） (2023-06-12T07:34:28Z) - 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) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs [0.812774532310979]
本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
5000件の研究から得られた10,468個の脊椎X線画像からなる大規模なデータセットを構築した。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
論文 参考訳（メタデータ） (2021-06-24T11:45:44Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Reliable Tuberculosis Detection using Chest X-ray with Deep Learning,
Segmentation and Visualization [0.0]
結核は細菌感染による慢性肺疾患であり、死因のトップ10の1つである。
胸部X線画像から, 画像前処理, データ拡張, 画像分割, ディープラーニング分類技術を用いて, TBを確実に検出した。
論文 参考訳（メタデータ） (2020-07-29T15:11:34Z) - 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) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - A neural network model that learns differences in diagnosis strategies
among radiologists has an improved area under the curve for aneurysm status
classification in magnetic resonance angiography image series [0.0]
この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。
画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。
構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
論文 参考訳（メタデータ） (2020-02-03T19:19:57Z)
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。