論文の概要: Automatic Detection of B-lines in Lung Ultrasound Videos From Severe Dengue Patients

• arxiv url: http://arxiv.org/abs/2102.01059v1
• Date: Mon, 1 Feb 2021 18:49:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 17:13:41.677523
• Title: Automatic Detection of B-lines in Lung Ultrasound Videos From Severe Dengue Patients
• Title（参考訳）: 重症デング患者の肺超音波ビデオにおけるB線の自動検出
• Authors: Hamideh Kerdegari, Phung Tran Huy Nhat, Angela McBride, VITAL Consortium, Reza Razavi, Nguyen Van Hao, Louise Thwaites, Sophie Yacoub, Alberto Gomez
• Abstract要約: 本稿では,肺超音波(LUS)ビデオ中のB線を自動的に検出し,局所化する手法を提案する。 畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)ネットワークと時間的注意機構を組み合わせる。 ベストモデルでは、F1スコア0.81の1秒クリップがB線を含むか否かを判定し、87.5%の精度でB線で代表フレームを抽出する。
• 参考スコア（独自算出の注目度）: 0.6775616141339018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung ultrasound (LUS) imaging is used to assess lung abnormalities, including the presence of B-line artefacts due to fluid leakage into the lungs caused by a variety of diseases. However, manual detection of these artefacts is challenging. In this paper, we propose a novel methodology to automatically detect and localize B-lines in LUS videos using deep neural networks trained with weak labels. To this end, we combine a convolutional neural network (CNN) with a long short-term memory (LSTM) network and a temporal attention mechanism. Four different models are compared using data from 60 patients. Results show that our best model can determine whether one-second clips contain B-lines or not with an F1 score of 0.81, and extracts a representative frame with B-lines with an accuracy of 87.5%.
• Abstract（参考訳）: 肺超音波(LUS)イメージングは、様々な疾患による肺への液漏れによるB線アーチファクトの存在を含む肺の異常を評価するために用いられる。 しかし、これらのアーティファクトの手動検出は困難です。 本論文では,弱ラベルを用いた深層ニューラルネットワークを用いて,LUS動画中のB線を自動的に検出・局在化するための新しい手法を提案する。 そのために、畳み込みニューラルネットワーク(CNN)と、長期の短期メモリ(LSTM)ネットワークと時間的注意メカニズムを組み合わせています。 4つの異なるモデルが60人の患者のデータを用いて比較される。 その結果,F1スコア0.81で1秒間クリップがB線を含むか否かを判断し,87.5%の精度でB線で代表フレームを抽出できることがわかった。

関連論文リスト

• BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models from Chest X-Ray Images [21.19843479423806]
  胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。 肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。 骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。 本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
  論文  参考訳（メタデータ） (2023-11-26T15:13:13Z)
• Using Spatio-Temporal Dual-Stream Network with Self-Supervised Learning for Lung Tumor Classification on Radial Probe Endobronchial Ultrasound Video [0.0]
  肺がんの生検の過程で、医師はリアルタイム超音波画像を使用して、サンプリングに適した病変を見つける。 これまでの研究では良性肺病変と悪性肺病変を効果的に区別するために2D畳み込みニューラルネットワークを用いてきた。 本研究では,3次元ニューラルネットワークに基づく自動診断システムを設計する。
  論文  参考訳（メタデータ） (2023-05-04T10:39:37Z)
• Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy [0.0]
  本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。 このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。 我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-24T12:18:25Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily Long Videos of Seizures [58.720142291102135]
  てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。 本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。 本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
  論文  参考訳（メタデータ） (2021-06-22T18:40:31Z)
• Learning the Imaging Landmarks: Unsupervised Key point Detection in Lung Ultrasound Videos [0.0]
  肺超音波(LUS)は、肺感染症の持続的および定期的なモニタリングのための画像診断法として、ますます人気が高まっている。 LUSを用いたトリアージのための臨床医が評価する重要なランドマークは、胸膜、A線、B線である。 この研究は、新型コロナウイルス(COVID-19)感染のさまざまな段階でのLUSビデオで重要なLUSのランドマークを教師なしで検出する試みとしては、今回が初めてだ。
  論文  参考訳（メタデータ） (2021-06-13T13:27:12Z)
• An interpretable object detection based model for the diagnosis of neonatal lung diseases using Ultrasound images [0.0]
  肺超音波(LUS)は新生児のさまざまな肺疾患の診断とモニタリングにますます利用されている。 異なる呼吸器疾患で見られる混合アーティファクトパターンは、オペレーターによるLUS可読性を制限する可能性がある。 そこで本研究では,特定の肺疾患と容易に関連付けることのできる7つの意義あるLUS特徴を抽出するためのユニークなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-21T01:12:35Z)
• 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)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)

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。