論文の概要: Detecting, Localising and Classifying Polyps from Colonoscopy Videos
using Deep Learning
- arxiv url: http://arxiv.org/abs/2101.03285v1
- Date: Sat, 9 Jan 2021 04:25:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 07:26:37.933331
- Title: Detecting, Localising and Classifying Polyps from Colonoscopy Videos
using Deep Learning
- Title（参考訳）: 深層学習による大腸内視鏡ビデオからのポリープの検出・局在化・分類
- Authors: Yu Tian, Leonardo Zorron Cheng Tao Pu, Yuyuan Liu, Gabriel Maicas,
Johan W. Verjans, Alastair D. Burt, Seon Ho Shin, Rajvinder Singh, Gustavo
Carneiro
- Abstract要約: 大腸内視鏡映像からポリプを自動検出、局在化、分類できるシステムを提案し、解析します。
ポリープを用いたフレームの検出は, 数発異常分類問題として定式化されている。
分類結果の信頼性と解釈性を向上させるために不確実性推定と分類校正を用いる。
- 参考スコア（独自算出の注目度）: 17.441138604295364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose and analyse a system that can automatically detect,
localise and classify polyps from colonoscopy videos. The detection of frames
with polyps is formulated as a few-shot anomaly classification problem, where
the training set is highly imbalanced with the large majority of frames
consisting of normal images and a small minority comprising frames with polyps.
Colonoscopy videos may contain blurry images and frames displaying feces and
water jet sprays to clean the colon -- such frames can mistakenly be detected
as anomalies, so we have implemented a classifier to reject these two types of
frames before polyp detection takes place. Next, given a frame containing a
polyp, our method localises (with a bounding box around the polyp) and
classifies it into five different classes. Furthermore, we study a method to
improve the reliability and interpretability of the classification result using
uncertainty estimation and classification calibration. Classification
uncertainty and calibration not only help improve classification accuracy by
rejecting low-confidence and high-uncertain results, but can be used by doctors
to decide how to decide on the classification of a polyp. All the proposed
detection, localisation and classification methods are tested using large data
sets and compared with relevant baseline approaches.
- Abstract（参考訳）: 本稿では,大腸内視鏡画像からポリープを自動的に検出し,ローカライズし,分類するシステムを提案する。
ポリープを用いたフレームの検出は、トレーニングセットが通常画像を含むフレームとポリプを有するフレームからなる少数派フレームの大多数と高度にバランスのとれた、少数ショットの異常分類問題として定式化されている。
大腸内視鏡ビデオには、大腸をきれいにするために便と水ジェットスプレーを表示するぼやけた画像やフレームが含まれており、そのようなフレームは誤って異常として検出できるため、ポリプ検出が行われる前にこれらの2種類のフレームを拒否する分類器を実装した。
次に、ポリプを含むフレームが与えられると、このメソッドは(ポリプの周りのバウンディングボックスで)ローカライズし、それを5つの異なるクラスに分類する。
さらに,不確実性推定と分類校正を用いた分類結果の信頼性と解釈性を向上させる手法について検討した。
分類の不確実性と校正は、低い信頼度と高い判定結果を拒否して分類精度を向上させるだけでなく、医師がポリプの分類を決定する方法を決定するのに使うことができる。
提案手法は, 大規模データセットを用いて検出, 局所化, 分類を行い, 関連するベースライン手法と比較した。
関連論文リスト
- EndoFinder: Online Image Retrieval for Explainable Colorectal Polyp Diagnosis [10.83700068295662]
EndoFinderはコンテンツベースの画像検索フレームワークである。
新たに検出されたポリプが与えられた参照データベースでは、'デジタルツイン'ポリプが見つかる。
新しいポリプの臨床的意味は、一致したポリプを参照して推測することができる。
論文 参考訳（メタデータ） (2024-07-16T05:40:17Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - Contrastive Transformer-based Multiple Instance Learning for Weakly
Supervised Polyp Frame Detection [30.51410140271929]
現在の大腸内視鏡ビデオからのポリープ検出法では、正常な(健康な)訓練画像のみを使用する。
我々は,ビデオレベルのラベル付き学習データを用いてフレームレベルのポリプを検出する弱教師付き異常検出タスクとして,ポリプ検出を定式化する。
論文 参考訳（メタデータ） (2022-03-23T01:30:48Z) - Colonoscopy polyp detection with massive endoscopic images [4.458670612147842]
我々は、異なるデータセットで検証された平均精度を向上し、既存のエンドツーエンドのポリプ検出モデルを改善した。
我々のモデルは、リアルタイム検出速度を維持しつつ、最先端のポリプ検出性能を実現することができる。
論文 参考訳（メタデータ） (2022-02-17T16:07:59Z) - Calibrating Histopathology Image Classifiers using Label Smoothing [42.38682782211358]
画像毎のアノテータ合意を利用したラベル平滑化手法を提案する。
提案手法によりキャリブレーション誤差を約70%低減する。
本手法は,他の病理組織像分類タスクにおけるさらなる探索と実装の可能性に有益である。
論文 参考訳（メタデータ） (2022-01-28T00:13:09Z) - Self-Supervised Predictive Convolutional Attentive Block for Anomaly
Detection [97.93062818228015]
本稿では,再建に基づく機能を,新たな自己監督型予測アーキテクチャビルディングブロックに統合することを提案する。
我々のブロックは、受容領域におけるマスク領域に対する再構成誤差を最小限に抑える損失を備える。
画像やビデオの異常検出のための最先端フレームワークに組み込むことで,ブロックの汎用性を実証する。
論文 参考訳（メタデータ） (2021-11-17T13:30:31Z) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-05T09:31:46Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Classification with Rejection Based on Cost-sensitive Classification [83.50402803131412]
学習のアンサンブルによる拒絶を用いた新しい分類法を提案する。
実験により, クリーン, ノイズ, 正の未ラベル分類における提案手法の有用性が示された。
論文 参考訳（メタデータ） (2020-10-22T14:05:05Z) - Few-Shot Anomaly Detection for Polyp Frames from Colonoscopy [20.23118616722365]
特徴埋め込みと正規画像の相互情報を最大化するために訓練されたエンコーダに基づく,新しい数発の異常検出手法を提案する。
大腸内視鏡画像からポリープを含むフレームを検出する際の臨床的問題点について検討した。
論文 参考訳（メタデータ） (2020-06-26T06:08:46Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。