論文の概要: A Practical Framework for ROI Detection in Medical Images -- a case
study for hip detection in anteroposterior pelvic radiographs
- arxiv url: http://arxiv.org/abs/2103.01584v1
- Date: Tue, 2 Mar 2021 09:21:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 08:15:56.035306
- Title: A Practical Framework for ROI Detection in Medical Images -- a case
study for hip detection in anteroposterior pelvic radiographs
- Title（参考訳）: 医用画像におけるROI検出の実践的枠組み-骨盤後部X線写真における股関節検出のケーススタディ
- Authors: Feng-Yu Liu, Chih-Chi Chen, Shann-Ching Chen, Chien-Hung Liao
- Abstract要約: 医療用画像におけるROI検出の実践的枠組みを提案し,骨盤X線写真における股関節検出のケーススタディを行った。
7,399個のAP骨盤X線写真に見られる股関節を3つのソースから分析したレトロスペクティブ研究を実施した。
IoU=0.8115,平均信頼=0.9812,しきい値IoU=0.5(AP50)=0.9901の平均精度を達成した。
- 参考スコア（独自算出の注目度）: 2.007676195550049
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose Automated detection of region of interest (ROI) is a critical step
for many medical image applications such as heart ROIs detection in perfusion
MRI images, lung boundary detection in chest X-rays, and femoral head detection
in pelvic radiographs. Thus, we proposed a practical framework of ROIs
detection in medical images, with a case study for hip detection in
anteroposterior (AP) pelvic radiographs.
Materials and Methods: We conducted a retrospective study which analyzed hip
joints seen on 7,399 AP pelvic radiographs from three diverse sources,
including 4,290 high resolution radiographs from Chang Gung Memorial Hospital
Osteoarthritis, 3,008 low to medium resolution radiographs from Osteoarthritis
Initiative, and 101 heterogeneous radiographs from Google image search engine.
We presented a deep learning-based ROI detection framework utilizing
single-shot multi-box detector (SSD) with ResNet-101 backbone and customized
head structure based on the characteristics of the obtained datasets, whose
ground truths were labeled by non-medical annotators in a simple graphical
interface.
Results: Our method achieved average intersection over union (IoU)=0.8115,
average confidence=0.9812, and average precision with threshold IoU=0.5
(AP50)=0.9901 in the independent test set, suggesting that the detected hip
regions have appropriately covered main features of the hip joints.
Conclusion: The proposed approach featured on low-cost labeling, data-driven
model design, and heterogeneous data testing. We have demonstrated the
feasibility of training a robust hip region detector for AP pelvic radiographs.
This practical framework has a promising potential for a wide range of medical
image applications.
- Abstract（参考訳）: 胸部X線像における心ROI検出,胸部X線像における肺境界検出,骨盤X線像における大腿骨頭検出など,多くの医療画像応用においてROI自動検出は重要なステップである。
そこで本研究では, 医療画像におけるROI検出の実践的枠組みを提案し, 骨盤X線写真における股関節検出のケーススタディを行った。
資料と方法:Chang Gung Memorial Hospital Osteoarthritisの4,290の高解像度ラジオグラフ、Osteoarthritis Initiativeの3,008の低中解像度ラジオグラフ、およびGoogleイメージ検索エンジンの101の異種ラジオグラフを含む、3つの多様なソースから7,399AP骨盤ラジオグラフで見られる股関節を分析したレトロスペクティブ研究を実施しました。
ResNet-101バックボーンを備えたシングルショットマルチボックスディテクタ(SSD)を用いたディープラーニングベースのROI検出フレームワークと、得られたデータセットの特性に基づいてカスタマイズされたヘッド構造を提示した。
結果:IoU=0.8115,平均信頼=0.9812,およびIoU=0.5(AP50)=0.9901の平均精度を独立したテストセットで達成し,検出された股関節領域が股関節の主な特徴を適切にカバーしていることを示唆した。
結論:提案されたアプローチは、低コストのラベリング、データ駆動モデル設計、異種データテストを特徴とする。
我々はap骨盤x線写真に対するロバストな股関節領域検出器の訓練の可能性を示した。
この実用的なフレームワークは、幅広い医療画像応用に有望な可能性を秘めている。
関連論文リスト
- Preoperative Rotator Cuff Tear Prediction from Shoulder Radiographs using a Convolutional Block Attention Module-Integrated Neural Network [0.04590531202809992]
肩部X線写真と深達度学習法を併用して, 肩腱板断裂患者の診断に有用かどうかを検証した。
畳み込みブロックアテンションモジュールを深部ニューラルネットワークに組み込むことで, 腱板断裂患者を高精度に検出できることを示す。
論文 参考訳（メタデータ） (2024-08-19T11:08:49Z) - Leveraging Foundation Models for Content-Based Medical Image Retrieval in Radiology [0.14631663747888957]
コンテンツに基づく画像検索は、放射線学における診断支援と医学研究を大幅に改善する可能性がある。
現在のCBIRシステムは、特定の病態の専門化による限界に直面しており、実用性は制限されている。
本稿では,コンテンツに基づく医用画像検索のための特徴抽出器として視覚基盤モデルを提案する。
論文 参考訳（メタデータ） (2024-03-11T10:06:45Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。
私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文 参考訳（メタデータ） (2023-12-26T18:20:48Z) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for
Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。
ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文 参考訳（メタデータ） (2023-10-19T11:09:50Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - BMD-GAN: Bone mineral density estimation using x-ray image decomposition
into projections of bone-segmented quantitative computed tomography using
hierarchical learning [1.8762753243053634]
そこで本研究では,QCTを用いて生成的対位ネットワーク(GAN)を訓練し,X線画像を骨分節QCTの投影に分解する手法を提案する。
変形性膝関節症患者200名を対象に, 予測真理と地上真理のピアソン相関係数が0.888であった。
論文 参考訳（メタデータ） (2022-07-07T10:33:12Z) - 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) - Development of the algorithm for differentiating bone metastases and
trauma of the ribs in bone scintigraphy and demonstration of visual evidence
of the algorithm -- Using only anterior bone scan view of thorax [0.0]
骨シンチグラフィーの胸骨前部像のみを用いて骨転移と外傷のリブの蓄積を判定するAIモデルの報告はない。
胸骨前部CT像のみを用いて骨転移・外傷と診断し,診断するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-30T23:55:31Z) - Sensitivity and Specificity Evaluation of Deep Learning Models for
Detection of Pneumoperitoneum on Chest Radiographs [0.8437813529429724]
最先端のディープラーニングモデル(ResNet101、InceptionV3、DenseNet161、ResNeXt101)は、このデータセットのサブセットでトレーニングされた。
DenseNet161モデルは、異なるイメージングシステムから無線画像の正確な分類を可能にした。
論文 参考訳（メタデータ） (2020-10-17T21:41:53Z) - A Convolutional Approach to Vertebrae Detection and Labelling in Whole
Spine MRI [70.04389979779195]
脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。
これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。
本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
論文 参考訳（メタデータ） (2020-07-06T09:37:12Z)
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。