論文の概要: More Reliable AI Solution: Breast Ultrasound Diagnosis Using Multi-AI Combination

• arxiv url: http://arxiv.org/abs/2101.02639v1
• Date: Thu, 7 Jan 2021 17:19:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 13:35:18.170029
• Title: More Reliable AI Solution: Breast Ultrasound Diagnosis Using Multi-AI Combination
• Title（参考訳）: より信頼性の高いAIソリューション:マルチAI組み合わせを用いた乳房超音波診断
• Authors: Jian Dai, Shuge Lei, Licong Dong, Xiaona Lin, Huabin Zhang, Desheng Sun, Kehong Yuan
• Abstract要約: AIシステムに埋め込まれた既存のマシンは、臨床医が期待する精度に達しない。 超解像ネットワークは、デバイス自体による超音波画像の不明瞭さを低減する。 対象モデルを分類モデルに変換する2つの方法を提案する。
• 参考スコア（独自算出の注目度）: 1.3357122589980752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Breast cancer screening is of great significance in contemporary women's health prevention. The existing machines embedded in the AI system do not reach the accuracy that clinicians hope. How to make intelligent systems more reliable is a common problem. Methods: 1) Ultrasound image super-resolution: the SRGAN super-resolution network reduces the unclearness of ultrasound images caused by the device itself and improves the accuracy and generalization of the detection model. 2) In response to the needs of medical images, we have improved the YOLOv4 and the CenterNet models. 3) Multi-AI model: based on the respective advantages of different AI models, we employ two AI models to determine clinical resuls cross validation. And we accept the same results and refuses others. Results: 1) With the help of the super-resolution model, the YOLOv4 model and the CenterNet model both increased the mAP score by 9.6% and 13.8%. 2) Two methods for transforming the target model into a classification model are proposed. And the unified output is in a specified format to facilitate the call of the molti-AI model. 3) In the classification evaluation experiment, concatenated by the YOLOv4 model (sensitivity 57.73%, specificity 90.08%) and the CenterNet model (sensitivity 62.64%, specificity 92.54%), the multi-AI model will refuse to make judgments on 23.55% of the input data. Correspondingly, the performance has been greatly improved to 95.91% for the sensitivity and 96.02% for the specificity. Conclusion: Our work makes the AI model more reliable in medical image diagnosis. Significance: 1) The proposed method makes the target detection model more suitable for diagnosing breast ultrasound images. 2) It provides a new idea for artificial intelligence in medical diagnosis, which can more conveniently introduce target detection models from other fields to serve medical lesion screening.
• Abstract（参考訳）: 目的: 乳癌検診は現代女性の健康予防において非常に重要である。 AIシステムに埋め込まれた既存のマシンは、臨床医が期待する精度に達しない。 インテリジェントなシステムをより信頼性を高めるには、一般的な問題です。 方法:1)超音波画像超解像:SRGAN超解像ネットワークは,装置自体による超音波画像の不明瞭さを低減し,検出モデルの精度と一般化を改善する。 2) 医用画像の必要性に応じて, YOLOv4とCenterNetモデルの改良を行った。 3) マルチAIモデル: 異なるAIモデルのそれぞれの利点に基づき, 2つのAIモデルを用いて臨床結果の相互検証を行う。 同じ結果を受け入れ 他人を拒絶します 結果: 1)超解像モデルの助けを借りて,yolov4モデルとcenternetモデルはともにマップスコアを9.6%,13.8%向上させた。 2) 対象モデルを分類モデルに変換する2つの方法を提案する。 そして、統一出力はmolti-aiモデルの呼び出しを容易にするために指定されたフォーマットである。 3) YOLOv4モデル(感度57.73%,特異度90.08%)とCentralNetモデル(感度62.64%,特異度92.54%)を併用した分類評価実験では,マルチAIモデルは入力データの23.55%の判定を拒否する。 それに伴い、感度は95.91%、特異性は96.02%に大幅に向上した。 結論:我々の研究は、医療画像診断においてAIモデルを信頼性を高める。 意義: 1) 乳房超音波画像の診断にターゲット検出モデルがより適していることを示す。 2) 医学診断における人工知能の新しい考え方として, 他分野からの標的検出モデルを導入し, 医学的病変のスクリーニングを行う。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer Learning Method [0.0]
  本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。 ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。 提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-12-01T10:37:02Z)
• Convolutional Neural Network Model for Diabetic Retinopathy Feature Extraction and Classification [6.236743421605786]
  我々は,新しいCNNモデルを作成し,基礎画像入力による糖尿病網膜症の重症度を同定する。 われわれは, 微小動脈瘤, 綿毛, 排出物, 出血の4つのDR特徴を, 畳み込み層を通して分類した。 我々の貢献は、より複雑なモデルに類似した精度で解釈可能なモデルである。
  論文  参考訳（メタデータ） (2023-10-16T20:09:49Z)
• Atrial Septal Defect Detection in Children Based on Ultrasound Video Using Multiple Instances Learning [14.62565592495898]
  本稿では,心房中隔欠損診断を支援するための心エコー画像に基づく深層学習手法を提案する。 心房中隔(subAS)と低中隔4区画(LPS4C)の2つの標準ビューをASDを同定する2つのビューとして選択した。 ASD検出では,89.33 AUC,84.95精度,85.70感度,81.51特異度,81.99F1スコアが得られた。
  論文  参考訳（メタデータ） (2023-06-06T16:25:29Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• DPN-SENet:A self-attention mechanism neural network for detection and diagnosis of COVID-19 from chest x-ray images [16.010171071102416]
  新型コロナウイルス(COVID-19)とも呼ばれる新型ウイルスは、2019年末に流行し、今では世界中に広まっている。 本稿では,放射線科医や臨床医が胸部X線を用いて新型コロナウイルスの診断に役立てる深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-20T11:50:52Z)
• 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)

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。