Fugu-MT 論文翻訳(概要): PaXNet: Dental Caries Detection in Panoramic X-ray using Ensemble Transfer Learning and Capsule Classifier

論文の概要: PaXNet: Dental Caries Detection in Panoramic X-ray using Ensemble Transfer Learning and Capsule Classifier

arxiv url: http://arxiv.org/abs/2012.13666v1
Date: Sat, 26 Dec 2020 03:00:35 GMT
ステータス: 処理完了
システム内更新日: 2021-04-25 01:15:06.459183
Title: PaXNet: Dental Caries Detection in Panoramic X-ray using Ensemble Transfer Learning and Capsule Classifier
Title（参考訳）: PaXNet:Ensemble Transfer LearningとCapsule Classifierを用いたパノラマX線歯列検出
Authors: Arman Haghanifar, Mahdiyar Molahasani Majdabadi, Seok-Bum Ko
Abstract要約: 多くの場合、画像品質の低さなどの異なる理由から、X線を用いた歯列の識別は困難である。そこで本研究では,パノラマ画像中の歯列を初めて検出する自動診断システムを提案する。提案モデルは、X線から関連する特徴を抽出し、カプセルネットワークを用いて予測結果を描画するトランスファーラーニングにより、事前訓練された様々な深層学習モデルの利点を享受する。
参考スコア（独自算出の注目度）: 8.164433158925593
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Dental caries is one of the most chronic diseases involving the majority of the population during their lifetime. Caries lesions are typically diagnosed by radiologists relying only on their visual inspection to detect via dental x-rays. In many cases, dental caries is hard to identify using x-rays and can be misinterpreted as shadows due to different reasons such as low image quality. Hence, developing a decision support system for caries detection has been a topic of interest in recent years. Here, we propose an automatic diagnosis system to detect dental caries in Panoramic images for the first time, to the best of authors' knowledge. The proposed model benefits from various pretrained deep learning models through transfer learning to extract relevant features from x-rays and uses a capsule network to draw prediction results. On a dataset of 470 Panoramic images used for features extraction, including 240 labeled images for classification, our model achieved an accuracy score of 86.05\% on the test set. The obtained score demonstrates acceptable detection performance and an increase in caries detection speed, as long as the challenges of using Panoramic x-rays of real patients are taken into account. Among images with caries lesions in the test set, our model acquired recall scores of 69.44\% and 90.52\% for mild and severe ones, confirming the fact that severe caries spots are more straightforward to detect and efficient mild caries detection needs a more robust and larger dataset. Considering the novelty of current research study as using Panoramic images, this work is a step towards developing a fully automated efficient decision support system to assist domain experts.
Abstract（参考訳）: 歯列骨は、生後最も慢性的な疾患の1つであり、人口の大半を包含している。喉頭病変は通常、歯科用X線による視力検査のみに依存する放射線医によって診断される。多くの場合、歯列はX線で識別することは困難であり、低画質などの異なる理由から影と誤解されることがある。したがって,近年,ケーリー検出のための意思決定支援システムの開発が注目されている。そこで本研究では,パノラマ画像中のデンタルカリーを初めて検出し,著者の知識を最大限に活用する自動診断システムを提案する。提案モデルは、X線から関連する特徴を抽出し、カプセルネットワークを用いて予測結果を描画するトランスファーラーニングにより、事前訓練された様々な深層学習モデルの利点を享受する。 240個のラベル付き画像を含む特徴抽出に使用される470個のパノラマ画像のデータセットにおいて,本モデルが精度86.05\%を達成した。得られたスコアは、実際の患者のパノラマX線を使用する際の課題を考慮し、許容する検出性能とキャリー検出速度の増大を示す。本モデルでは, 軽度および重度者に対して69.44\%, 90.52\%のリコールスコアを取得し, 軽度カリー検出がより容易で, 効果的でロバストで大きなデータセットが必要であることを確認した。パノラマ画像を用いた最近の研究の目新しさを考えると、この研究はドメインエキスパートを支援する完全自動化された効率的な意思決定支援システムを開発するための一歩である。

関連論文リスト

Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
OdontoAI: A human-in-the-loop labeled data set and an online platform to boost research on dental panoramic radiographs [53.67409169790872]
本研究では, 歯科用パノラマX線画像の公開データセットの構築について述べる。我々はHuman-in-the-loop(HITL)の概念の恩恵を受け、ラベリング手順を高速化する。その結果,HITLによるラベル付け時間短縮率は51%であり,連続作業時間390時間以上節約できた。
論文参考訳（メタデータ） (2022-03-29T18:57:23Z)
Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
論文参考訳（メタデータ） (2021-12-05T05:04:38Z)
Developing a Novel Approach for Periapical Dental Radiographs Segmentation [1.332560004325655]
提案するアルゴリズムは2段階で構成され,第1段階は前処理である。このアルゴリズムの第2部と第1部は回転度を計算し、歯の隔離に積分投影法を用いる。実験結果から, このアルゴリズムは頑健であり, 精度が高いことがわかった。
論文参考訳（メタデータ） (2021-11-13T17:25:35Z)
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)
DenseNet approach to segmentation and classification of dermatoscopic skin lesions images [0.0]
本稿では,2つのアーキテクチャを用いた皮膚病変の分類と分類の改善手法を提案する。 U-NetとDenseNet121の組み合わせは、皮膚内視鏡画像解析において許容できる結果を提供する。 DenseNet121ネットワークでは、それぞれ79.49%と93.11%の精度で癌と非癌サンプルが検出された。
論文参考訳（メタデータ） (2021-10-09T19:12:23Z)
Automated detection of COVID-19 cases from chest X-ray images using deep neural network and XGBoost [0.0]
X線画像から新型コロナウイルスを診断するための新しいアプローチが提案された。深部神経ネットワークDenseNet169を用いて,患者の胸部X線像の特徴を抽出した。
論文参考訳（メタデータ） (2021-09-03T13:41:13Z)
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)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
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)
Searching for Pneumothorax in X-Ray Images Using Autoencoded Deep Features [5.868569999949525]
胸部X線像では、放射線医による視覚検査により気胸が検出されるのが一般的である。 3つの入力を圧縮した胸部画像検索のためのAutoencoding Thorax Net(短いAutoThorax-Net)を開発した。半自動検索は194,608例(気胸,正常)で92%,全自動検索は82%,全自動検索は51,383例(正常,気胸,その他多くの胸部疾患)で82%であった。
論文参考訳（メタデータ） (2021-02-11T16:21:06Z)

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。