Fugu-MT 論文翻訳(概要): Automatic classification of multiple catheters in neonatal radiographs with deep learning

論文の概要: Automatic classification of multiple catheters in neonatal radiographs with deep learning

arxiv url: http://arxiv.org/abs/2011.07394v1
Date: Sat, 14 Nov 2020 21:27:21 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 13:11:01.666257
Title: Automatic classification of multiple catheters in neonatal radiographs with deep learning
Title（参考訳）: 深層学習による新生児x線写真における複数カテーテルの自動分類
Authors: Robert D. E. Henderson, Xin Yi, Scott J. Adams and Paul Babyn
Abstract要約: 新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
参考スコア（独自算出の注目度）: 2.256008196530956
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We develop and evaluate a deep learning algorithm to classify multiple catheters on neonatal chest and abdominal radiographs. A convolutional neural network (CNN) was trained using a dataset of 777 neonatal chest and abdominal radiographs, with a split of 81%-9%-10% for training-validation-testing, respectively. We employed ResNet-50 (a CNN), pre-trained on ImageNet. Ground truth labelling was limited to tagging each image to indicate the presence or absence of endotracheal tubes (ETTs), nasogastric tubes (NGTs), and umbilical arterial and venous catheters (UACs, UVCs). The data set included 561 images containing 2 or more catheters, 167 images with only one, and 49 with none. Performance was measured with average precision (AP), calculated from the area under the precision-recall curve. On our test data, the algorithm achieved an overall AP (95% confidence interval) of 0.977 (0.679-0.999) for NGTs, 0.989 (0.751-1.000) for ETTs, 0.979 (0.873-0.997) for UACs, and 0.937 (0.785-0.984) for UVCs. Performance was similar for the set of 58 test images consisting of 2 or more catheters, with an AP of 0.975 (0.255-1.000) for NGTs, 0.997 (0.009-1.000) for ETTs, 0.981 (0.797-0.998) for UACs, and 0.937 (0.689-0.990) for UVCs. Our network thus achieves strong performance in the simultaneous detection of these four catheter types. Radiologists may use such an algorithm as a time-saving mechanism to automate reporting of catheters on radiographs.
Abstract（参考訳）: 新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。畳み込みニューラルネットワーク(CNN)を777個の新生児胸部と腹部X線写真を用いて訓練し,それぞれ81%-9%-10%の分割試験を行った。 ImageNetで事前トレーニングしたResNet-50(CNN)を採用しました。経気管管(etts)、鼻腔管(ngts)、血管・静脈カテーテル(uacs、utcs)の存在または欠如を示すために、各画像にタグを付けることに限定された。データセットには2つ以上のカテーテルを含む591のイメージ、1つしか持たない167のイメージと、全く持たない49のイメージが含まれていた。性能は平均精度 (ap) で測定し, 精度-リコール曲線下の領域から算出した。テストデータから,NGTでは0.977(0.679-0.999),ETTでは0.989(0.751-1.000),UACでは0.979(0.873-0.997),UVCでは0.937(0.785-0.984)の総合信頼区間を得た。 2つ以上のカテーテルからなる58枚のテスト画像に類似しており、NGTは0.975 (0.255-1.000)、ETTは0.997 (0.009-1.000)、UACは0.981 (0.797-0.998)、UVCは0.937 (0.689-0.990)である。これら4種類のカテーテルの同時検出において,ネットワークの性能は高い。放射線科医は、そのようなアルゴリズムを時間節約のメカニズムとして使用し、ラジオグラフ上のカテーテルの報告を自動化する。

関連論文リスト

Developing a Machine Learning-Based Clinical Decision Support Tool for Uterine Tumor Imaging [0.0]
子宮平滑筋肉腫 (LMS) は稀ながら積極的な悪性腫瘍である。遺伝性平滑筋腫(LM)とLMSを区別することは困難である。 UT症例110例のT2強調画像115例に5種類の腫瘍を認めた。 nnU-Netを適用し,25,45,65,85のトレーニングセット画像をランダムに生成することにより,トレーニングセットサイズがパフォーマンスに与える影響を検討した。
論文参考訳（メタデータ） (2023-08-20T21:46:05Z)
Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文参考訳（メタデータ） (2023-04-08T10:47:41Z)
Improving Automated Hemorrhage Detection in Sparse-view Computed Tomography via Deep Convolutional Neural Network based Artifact Reduction [3.9874211732430447]
3000例のSparse-view cranial CTによるアーティファクト削減のためのU-Netの訓練を行った。また, 自動出血検出のために17,545例のCTデータから畳み込みニューラルネットワークを訓練した。 U-Netは、画像の品質や出血の自動診断に関して、未処理画像やテレビ処理画像よりも優れていた。
論文参考訳（メタデータ） (2023-03-16T14:21:45Z)
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)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文参考訳（メタデータ） (2021-05-03T00:14:43Z)
Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest Radiographs for Assisted Diagnosis of Cardiomegaly [0.0]
本研究では,胸部X線写真から心臓胸部比を算出し,心筋の存在を検出する自動法を提案する。結束箱を用いたx線画像の心臓と胸部領域を画定する2つのモデルを開発し,その出力を用いて心拍数を算出した。
論文参考訳（メタデータ） (2021-01-19T13:09:29Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Multiple resolution residual network for automatic thoracic organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文参考訳（メタデータ） (2020-05-27T22:39:09Z)

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。