Fugu-MT 論文翻訳(概要): Automating Abnormality Detection in Musculoskeletal Radiographs through Deep Learning

論文の概要: Automating Abnormality Detection in Musculoskeletal Radiographs through Deep Learning

arxiv url: http://arxiv.org/abs/2010.12030v1
Date: Wed, 21 Oct 2020 01:48:56 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 23:42:55.721432
Title: Automating Abnormality Detection in Musculoskeletal Radiographs through Deep Learning
Title（参考訳）: 深層学習による骨格筋電図の異常検出の自動化
Authors: Goodarz Mehr
Abstract要約: MuRADは、筋骨格X線写真(骨X線)の異常検出を自動化するツールである MuRADは、骨のX線異常を正確に予測できる畳み込みニューラルネットワーク(CNN)を使用している。 MuRAD は F1 スコア 0.822 と Cohen's kappa 0.699 を達成している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces MuRAD (Musculoskeletal Radiograph Abnormality Detection tool), a tool that can help radiologists automate the detection of abnormalities in musculoskeletal radiographs (bone X-rays). MuRAD utilizes a Convolutional Neural Network (CNN) that can accurately predict whether a bone X-ray is abnormal, and leverages Class Activation Map (CAM) to localize the abnormality in the image. MuRAD achieves an F1 score of 0.822 and a Cohen's kappa of 0.699, which is comparable to the performance of expert radiologists.
Abstract（参考訳）: 本稿では,筋骨格部X線写真(骨X線)の異常検出を自動化するツールであるMuRAD(Musculoskeletal Radiograph Abnormality Detection Tool)を紹介する。 MuRADは、骨のX線異常を正確に予測できる畳み込みニューラルネットワーク(CNN)を使用し、画像の異常をローカライズするためにクラス活性化マップ(CAM)を利用する。ムラッドのf1スコアは0.822で、コーエンのカッパは0.699で、専門家の放射線技師の成績に匹敵する。

関連論文リスト

Preoperative Rotator Cuff Tear Prediction from Shoulder Radiographs using a Convolutional Block Attention Module-Integrated Neural Network [0.04590531202809992]
肩部X線写真と深達度学習法を併用して, 肩腱板断裂患者の診断に有用かどうかを検証した。畳み込みブロックアテンションモジュールを深部ニューラルネットワークに組み込むことで, 腱板断裂患者を高精度に検出できることを示す。
論文参考訳（メタデータ） (2024-08-19T11:08:49Z)
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)
Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文参考訳（メタデータ） (2022-07-10T06:32:56Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
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)
Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection [1.0617212070722408]
関節リウマチは最も頻度の高い骨折である。近年のDeep Learning(DL)分野の進歩は、畳み込みニューラルネットワークを用いて手首骨折検出を自動化できることを示している。以上の結果から,DeepWristのような最先端のアプローチは,挑戦的なテストセットにおいて大幅に性能が低下していることが判明した。
論文参考訳（メタデータ） (2020-12-04T13:35:36Z)
Using Radiomics as Prior Knowledge for Thorax Disease Classification and Localization in Chest X-rays [14.679677447702653]
放射能特性を利用して異常分類性能を向上させるためのエンドツーエンドフレームワークであるChexRadiNetを開発した。我々は、NIH ChestX-ray、CheXpert、MIMIC-CXRの3つの公開データセットを用いてChexRadiNetフレームワークを評価する。
論文参考訳（メタデータ） (2020-11-25T04:16:38Z)
X-Ray bone abnormalities detection using MURA dataset [0.0]
スタンフォード大学が2017年にリリースしたMUデータセットに基づいてトレーニングしたディープネットワークについて紹介する。本システムでは,X線写真から骨の異常を検知し,そのゾーンを可視化することができる。
論文参考訳（メタデータ） (2020-08-07T19:58:56Z)
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)
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。