論文の概要: Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures

• arxiv url: http://arxiv.org/abs/2012.12712v1
• Date: Wed, 23 Dec 2020 14:38:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 18:01:32.880123
• Title: Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures
• Title（参考訳）: 胸部X線自動トリアージ(胸部X線自動トリアージ) : 4つのDeep Learningアーキテクチャを組み合わせることで,異なるタイプのラベルを活用
• Authors: Candelaria Mosquera (1 and 2), Facundo Nahuel Diaz (3), Fernando Binder (1), Jose Martin Rabellino (3), Sonia Elizabeth Benitez (1), Alejandro Daniel Beres\~nak (3), Alberto Seehaus (3), Gabriel Ducrey (3), Jorge Alberto Ocantos (3) and Daniel Roberto Luna (1) ((1) Health Informatics Department Hospital Italiano de Buenos Aires,(2) Universidad Tecnologica Nacional,(3) Radiology Department Hospital Italiano de Buenos Aires)
• Abstract要約: 本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
• 参考スコア（独自算出の注目度）: 83.48996461770017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: BACKGROUND AND OBJECTIVES: The multiple chest x-ray datasets released in the last years have ground-truth labels intended for different computer vision tasks, suggesting that performance in automated chest-xray interpretation might improve by using a method that can exploit diverse types of annotations. This work presents a Deep Learning method based on the late fusion of different convolutional architectures, that allows training with heterogeneous data with a simple implementation, and evaluates its performance on independent test data. We focused on obtaining a clinically useful tool that could be successfully integrated into a hospital workflow. MATERIALS AND METHODS: Based on expert opinion, we selected four target chest x-ray findings, namely lung opacities, fractures, pneumothorax and pleural effusion. For each finding we defined the most adequate type of ground-truth label, and built four training datasets combining images from public chest x-ray datasets and our institutional archive. We trained four different Deep Learning architectures and combined their outputs with a late fusion strategy, obtaining a unified tool. Performance was measured on two test datasets: an external openly-available dataset, and a retrospective institutional dataset, to estimate performance on local population. RESULTS: The external and local test sets had 4376 and 1064 images, respectively, for which the model showed an area under the Receiver Operating Characteristics curve of 0.75 (95%CI: 0.74-0.76) and 0.87 (95%CI: 0.86-0.89) in the detection of abnormal chest x-rays. For the local population, a sensitivity of 86% (95%CI: 84-90), and a specificity of 88% (95%CI: 86-90) were obtained, with no significant differences between demographic subgroups. We present examples of heatmaps to show the accomplished level of interpretability, examining true and false positives.
• Abstract（参考訳）: 背景と目的: 過去数年間にリリースされた複数の胸部x線データセットには、異なるコンピュータビジョンタスクを意図した接地ラベルがあり、様々な種類のアノテーションを活用できる方法を使用することで、胸部x線自動解釈のパフォーマンスが向上することを示唆している。 本研究は,異なる畳み込みアーキテクチャの遅発的融合に基づく深層学習手法を提案する。これにより,単純な実装で異種データとのトレーニングが可能となり,独立したテストデータでの性能評価を行う。 病院のワークフローにうまく統合できる臨床的に有用なツールの入手に焦点をあてた。 材料と方法: 専門的考察から, 肺の異常, 骨折, 気胸, 胸水という4つの胸部X線所見を抽出した。 それぞれの発見に対して,最も適切な地下構造ラベルを定義し,公共胸部X線データセットと機関アーカイブの画像を組み合わせた4つのトレーニングデータセットを構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。 2つのテストデータセット、すなわち外部で利用可能なデータセットと、地域住民のパフォーマンスを推定するためのふりかえりデータセットでパフォーマンスを測定した。 結果: 外部テストセットは4376, 局所テストセットは1064の画像で, 異常胸部X線の検出において, 0.75 (95%CI: 0.74-0.76), 0.87 (95%CI: 0.86-0.89) の範囲を示した。 地域住民の感度は86%(95%CI:84-90)、特異性は88%(95%CI:86-90)であり、人口集団間で有意差はなかった。 本稿では, 真偽と偽陽性を検証し, 達成されたレベルの解釈可能性を示すヒートマップの例を示す。

関連論文リスト

• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• On the generalization capabilities of FSL methods through domain adaptation: a case study in endoscopic kidney stone image classification [0.0]
  本研究では,メタラーニングに基づく数ショット学習手法を用いて,データ分散シフトを緩和する手法を提案する。 その結果, 5-way 5-shot と 5-way 20-shot では, それぞれ74.38%, 88.52%の精度でドメインシフトを処理できることがわかった。
  論文  参考訳（メタデータ） (2022-05-02T13:08:31Z)
• A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
  CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。 これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
  論文  参考訳（メタデータ） (2021-12-19T16:19:46Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Dealing with Distribution Mismatch in Semi-supervised Deep Learning for Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature Densities [0.6882042556551609]
  半教師付きディープラーニングは、大きなラベル付きデータセットの魅力的な代替手段である。 実世界の使用状況設定では、ラベル付きデータセットとは異なる分布を示す可能性がある。 これにより、ラベル付きデータセットとラベル付きデータセットの分散ミスマッチが発生します。
  論文  参考訳（メタデータ） (2021-08-17T00:35:43Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• A Hybrid VDV Model for Automatic Diagnosis of Pneumothorax using Class-Imbalanced Chest X-rays Dataset [0.0]
  現在、利用可能な医療画像データセットのほとんどはクラスアンバランスの問題があります。 まず、クラス不均衡問題に取り組むための既存のアプローチを比較し、そのデータレベル・センスを見つける(つまり、)。 データセットのサブセットのアンサンブル) 他のアプローチよりも優れています。 提案手法はSIIM ACR Pneumothorax データセットと NIH Chest X-ray データセット(RS-NIH)のランダムサンプルを用いて検証した。
  論文  参考訳（メタデータ） (2020-12-22T10:20:04Z)

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。