論文の概要: Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection
- arxiv url: http://arxiv.org/abs/2012.02577v2
- Date: Fri, 5 Mar 2021 08:32:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 05:34:15.300212
- Title: Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection
- Title(参考訳): ひび割れ検出のための深部ニューラルネットワークの臨界評価
- Authors: Abu Mohammed Raisuddin, Elias Vaattovaara, Mika Nevalainen, Marko
Nikki, Elina J\"arvenp\"a\"a, Kaisa Makkonen, Pekka Pinola, Tuula Palsio,
Arttu Niemensivu, Osmo Tervonen, Aleksei Tiulpin
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.0617212070722408
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wrist Fracture is the most common type of fracture with a high incidence
rate. Conventional radiography (i.e. X-ray imaging) is used for wrist fracture
detection routinely, but occasionally fracture delineation poses issues and an
additional confirmation by computed tomography (CT) is needed for diagnosis.
Recent advances in the field of Deep Learning (DL), a subfield of Artificial
Intelligence (AI), have shown that wrist fracture detection can be automated
using Convolutional Neural Networks. However, previous studies did not pay
close attention to the difficult cases which can only be confirmed via CT
imaging. In this study, we have developed and analyzed a state-of-the-art
DL-based pipeline for wrist (distal radius) fracture detection -- DeepWrist,
and evaluated it against one general population test set, and one challenging
test set comprising only cases requiring confirmation by CT. Our results reveal
that a typical state-of-the-art approach, such as DeepWrist, while having a
near-perfect performance on the general independent test set, has a
substantially lower performance on the challenging test set -- average
precision of 0.99 (0.99-0.99) vs 0.64 (0.46-0.83), respectively. Similarly, the
area under the ROC curve was of 0.99 (0.98-0.99) vs 0.84 (0.72-0.93),
respectively. Our findings highlight the importance of a meticulous analysis of
DL-based models before clinical use, and unearth the need for more challenging
settings for testing medical AI systems.
- Abstract(参考訳): 手関節骨折は最も一般的なタイプの骨折であり、発症率が高い。
従来のx線撮影(例)
x線イメージングは定期的に手関節骨折の検出に用いられるが、時折骨折の脱線が問題となり、ct(ct)による追加診断が必要となる。
人工知能(AI)のサブフィールドであるDeep Learning(DL)分野の最近の進歩は、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証明している。
しかし、従来の研究では、CT画像でのみ確認できる難しい症例にはあまり注意を払わなかった。
In this study, we have developed and analyzed a state-of-the-art DL-based pipeline for wrist (distal radius) fracture detection -- DeepWrist, and evaluated it against one general population test set, and one challenging test set comprising only cases requiring confirmation by CT. Our results reveal that a typical state-of-the-art approach, such as DeepWrist, while having a near-perfect performance on the general independent test set, has a substantially lower performance on the challenging test set -- average precision of 0.99 (0.99-0.99) vs 0.64 (0.46-0.83), respectively.
同様に、ROC曲線下の面積はそれぞれ 0.99 (0.98-0.99) と 0.84 (0.72-0.93) であった。
本研究は,臨床使用前にdlベースモデルの細心の注意深い分析の重要性を浮き彫りにして,医療aiシステムをテストするためのより困難な設定の必要性を明らかにする。
関連論文リスト
- Unsupervised dMRI Artifact Detection via Angular Resolution Enhancement and Cycle Consistency Learning [45.3610312584439]
拡散磁気共鳴イメージング(dMRI)は神経画像研究において重要な技術であり、脳組織の基盤構造を非侵襲的に探究することができる。
臨床dMRIデータは、取得中に様々なアーティファクトに影響を受けやすいため、信頼性の低いその後の分析に繋がる可能性がある。
我々は、$textbfU$n $textbfd$MRI $textbfA$rtifact $textbfD$etection via $textbfA$ngular Resolution Enhancement and $textbfC$ycleと呼ばれる新しい教師なしディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-09-24T08:56:10Z) - Enhancing Wrist Fracture Detection with YOLO [3.2049746597433746]
この研究では、最先端の単一ステージのディープニューラルネットワークに基づく検出モデルYOLOv5、YOLOv6、YOLOv7、YOLOv8を用いて、手首の異常を検出する。
これらのYOLOモデルは, フラクチャー検出において, 一般的に使われている2段検出アルゴリズムであるFaster R-CNNよりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-07-17T14:21:53Z) - Deep Rib Fracture Instance Segmentation and Classification from CT on
the RibFrac Challenge [66.86170104167608]
RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。
MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。
この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
論文 参考訳(メタデータ) (2024-02-14T18:18:33Z) - Fast and Robust Femur Segmentation from Computed Tomography Images for
Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。
本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文 参考訳(メタデータ) (2022-04-20T16:16:16Z) - Interpretable Vertebral Fracture Quantification via Anchor-Free
Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文 参考訳(メタデータ) (2022-04-14T08:31:25Z) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - 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) - Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。
我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。
画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
論文 参考訳(メタデータ) (2021-11-09T00:11:01Z) - 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) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Deep Sequential Learning for Cervical Spine Fracture Detection on
Computed Tomography Imaging [20.051649556262216]
CT 軸方向画像における頚椎骨折の自動検出のための双方向長期記憶(BLSTM)層を用いた深部畳み込みニューラルネットワーク(DCNN)を提案する。
我々は,3,666個のCTスキャン(陽性729例,陰性2,937例)の注釈付きデータセットを用いて,モデルをトレーニングし,検証した。
検証結果から, 正の104例と負の104例と負の104例と負の104例と負の419例とで, 70.92%, 79.18%の分類精度を示した。
論文 参考訳(メタデータ) (2020-10-26T04:36:29Z)
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。