論文の概要: A New Window Loss Function for Bone Fracture Detection and Localization
in X-ray Images with Point-based Annotation
- arxiv url: http://arxiv.org/abs/2012.04066v2
- Date: Mon, 4 Jan 2021 15:55:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 05:57:24.739168
- Title: A New Window Loss Function for Bone Fracture Detection and Localization
in X-ray Images with Point-based Annotation
- Title（参考訳）: 点に基づくx線画像における骨折検出と位置推定のための新しい窓損失関数
- Authors: Xinyu Zhang, Yirui Wang, Chi-Tung Cheng, Le Lu, Adam P. Harrison, Jing
Xiao, Chien-Hung Liao, Shun Miao
- Abstract要約: 本論文では, X線画像の骨破壊検出法について, 作業効率が高く柔軟なアノテーション法を提案する。
本手法では, 簡便で直感的, 有益なポイントベースのアノテーションプロトコルを用いて, ローカライズ情報をマークする。
骨盤X線像4410例に対して,本法を広範囲に評価した。
- 参考スコア（独自算出の注目度）: 21.004545631297855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object detection methods are widely adopted for computer-aided diagnosis
using medical images. Anomalous findings are usually treated as objects that
are described by bounding boxes. Yet, many pathological findings, e.g., bone
fractures, cannot be clearly defined by bounding boxes, owing to considerable
instance, shape and boundary ambiguities. This makes bounding box annotations,
and their associated losses, highly ill-suited. In this work, we propose a new
bone fracture detection method for X-ray images, based on a labor effective and
flexible annotation scheme suitable for abnormal findings with no clear
object-level spatial extents or boundaries. Our method employs a simple,
intuitive, and informative point-based annotation protocol to mark localized
pathology information. To address the uncertainty in the fracture scales
annotated via point(s), we convert the annotations into pixel-wise supervision
that uses lower and upper bounds with positive, negative, and uncertain
regions. A novel Window Loss is subsequently proposed to only penalize the
predictions outside of the uncertain regions. Our method has been extensively
evaluated on 4410 pelvic X-ray images of unique patients. Experiments
demonstrate that our method outperforms previous state-of-the-art image
classification and object detection baselines by healthy margins, with an AUROC
of 0.983 and FROC score of 89.6%.
- Abstract（参考訳）: 医療画像を用いたコンピュータ支援診断には物体検出法が広く採用されている。
異常な発見は通常、境界ボックスによって記述されるオブジェクトとして扱われる。
しかし、骨骨折などの多くの病理所見は、かなりの例、形状、境界の曖昧さのため、境界ボックスによって明確に定義できない。
これにより、バウンディングボックスアノテーションとその関連する損失は、非常に不適切なものになる。
本研究では,x線画像に対する新しい骨折検出法を提案する。対象範囲や境界の明確さのない異常発見に適した労力効率と柔軟なアノテーションスキームに基づいて,x線画像の骨折検出手法を提案する。
本手法は,局所的な病理情報をマークするために,単純で直感的で情報に富んだポイントベースのアノテーションプロトコルを用いる。
点(s)を経由したアノテートされたフラクチャースケールの不確実性に対処するため、アノテーションを、正、負、不確実な領域を持つ下および上界を用いた画素単位の監視に変換する。
その後、不確実領域外の予測のみを罰する新しいウィンドウロスが提案されている。
骨盤X線像4410例に対して,本法を広範囲に評価した。
実験の結果,AUROCは0.983,FROCは89.6%であり,従来の最先端画像分類や物体検出基準よりも優れていることがわかった。
関連論文リスト
- AnoDODE: Anomaly Detection with Diffusion ODE [0.0]
異常検出は、データセットの大部分から著しく逸脱する非定型的なデータサンプルを特定するプロセスである。
医用画像から抽出した特徴量の密度を推定し,拡散モードに基づく新しい異常検出手法を提案する。
提案手法は異常を識別するだけでなく,画像レベルと画素レベルでの解釈性も提供する。
論文 参考訳（メタデータ） (2023-10-10T08:44:47Z) - Anatomy-Driven Pathology Detection on Chest X-rays [17.670821896026137]
本稿では,解剖学のプロキシとして解剖学的領域の境界ボックスを用いた解剖学駆動型病理診断(ADPD)を提案する。
解剖学レベルの病理組織ラベルを用いた教師ありトレーニングと画像レベルの病理組織ラベルを用いたマルチインスタンスラーニング(MIL)の2つのトレーニング手法について検討した。
以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全な教師付き検出よりも優れていた。
論文 参考訳（メタデータ） (2023-09-05T20:58:15Z) - DeepLOC: Deep Learning-based Bone Pathology Localization and
Classification in Wrist X-ray Images [1.45543311565555]
本稿では,手首X線画像における骨病理像の局在と分類のための新しいアプローチを提案する。
提案手法は,手首X線解析における2つの重要な課題,骨の正確な局在化と異常の正確な分類に対処する。
論文 参考訳（メタデータ） (2023-08-24T12:06:10Z) - Employing similarity to highlight differences: On the impact of
anatomical assumptions in chest X-ray registration methods [2.080328156648695]
我々は,国立衛生研究所(NIH)データセット上に,解剖学的にペナル化した畳み込み型多段階解を開発した。
本手法は,ワープフィールドの折り畳み率を技術状態の1/6に制限する自然な方法であることを示す。
本手法の利点を統計的に評価し,胸部X線登録における現在使用されている指標の限界を強調した。
論文 参考訳（メタデータ） (2023-01-23T09:42:49Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - 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) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。
我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。
実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
論文 参考訳（メタデータ） (2020-01-29T15:14:56Z) - Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
脊椎に焦点をあてた新しいランドマーク検出法を提案する。
我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。
その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
論文 参考訳（メタデータ） (2020-01-09T19:17:41Z)
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。