論文の概要: A transfer-learning approach for lesion detection in endoscopic images
from the urinary tract
- arxiv url: http://arxiv.org/abs/2104.03927v1
- Date: Thu, 8 Apr 2021 17:16:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 12:53:09.436334
- Title: A transfer-learning approach for lesion detection in endoscopic images
from the urinary tract
- Title(参考訳): 尿路内視鏡像における病変検出のためのトランスファーラーニングアプローチ
- Authors: Jorge F. Lazo, Sara Moccia, Aldo Marzullo, Michele Catellani, Ottavio
De Cobelli, Benoit Rosa, Michel de Mathelin, Elena De Momi
- Abstract要約: 尿管鏡および嚢胞内視鏡は、尿路沿いの腫瘍を同定し治療するための金標準法である。
通常の手術では病変の10~20%が欠落していたことが報告されている。
本研究では,3種類の畳み込みニューラルネットワーク(CNN)を用いて,病変の有無にかかわらず尿路からの画像の分類を行った。
- 参考スコア(独自算出の注目度): 10.909933734224026
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Ureteroscopy and cystoscopy are the gold standard methods to identify and
treat tumors along the urinary tract. It has been reported that during a normal
procedure a rate of 10-20 % of the lesions could be missed. In this work we
study the implementation of 3 different Convolutional Neural Networks (CNNs),
using a 2-steps training strategy, to classify images from the urinary tract
with and without lesions. A total of 6,101 images from ureteroscopy and
cystoscopy procedures were collected. The CNNs were trained and tested using
transfer learning in a two-steps fashion on 3 datasets. The datasets used were:
1) only ureteroscopy images, 2) only cystoscopy images and 3) the combination
of both of them. For cystoscopy data, VGG performed better obtaining an Area
Under the ROC Curve (AUC) value of 0.846. In the cases of ureteroscopy and the
combination of both datasets, ResNet50 achieved the best results with AUC
values of 0.987 and 0.940. The use of a training dataset that comprehends both
domains results in general better performances, but performing a second stage
of transfer learning achieves comparable ones. There is no single model which
performs better in all scenarios, but ResNet50 is the network that achieves the
best performances in most of them. The obtained results open the opportunity
for further investigation with a view for improving lesion detection in
endoscopic images of the urinary system.
- Abstract(参考訳): 尿管鏡および嚢胞内視鏡は、尿路沿いの腫瘍を同定し治療するための金標準法である。
通常の手術では病変の10~20%が欠落していたことが報告されている。
本研究では,2段階のトレーニング戦略を用いて3つの異なる畳み込みニューラルネットワーク(cnns)を実装し,病変の有無に関わらず尿路からの画像を分類する。
尿管内視鏡および膀胱内視鏡検査で計6,101枚の画像が得られた。
CNNは3つのデータセット上で2段階の方法でトランスファー学習を使用してトレーニングされ、テストされた。
1) 尿管内視鏡像のみ, 2) 嚢胞内視鏡像のみ, 3) 両者の組み合わせが得られた。
膀胱内視鏡検査では,roc曲線 (auc) 値0.846以下の領域の検索が良好であった。
resnet50は尿管内視鏡および両データセットの組み合わせにおいて, 0.987および0.940のauc値で最高の結果を得た。
両方のドメインを理解したトレーニングデータセットを使用することで、一般的にパフォーマンスが向上するが、転送学習の第2段階の実行は、同等のパフォーマンスを達成する。
すべてのシナリオでパフォーマンスが向上する単一のモデルはありませんが、ResNet50は、ほとんどのシナリオで最高のパフォーマンスを達成するネットワークです。
その結果,尿路系内視鏡像の病変検出の改善を視野に入れ,さらなる調査の機会が開けた。
関連論文リスト
- Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Breast Cancer Diagnosis in Two-View Mammography Using End-to-End Trained
EfficientNet-Based Convolutional Network [0.0]
深層畳み込みニューラルネットワークは、ヒトの専門家と同等またはそれ以上の性能の乳がんをマンモグラムで診断する。
本稿では,2つの転帰学習から成る最良技術について紹介する。
論文 参考訳(メタデータ) (2021-10-01T22:09:59Z) - A Lumen Segmentation Method in Ureteroscopy Images based on a Deep
Residual U-Net architecture [11.457020223521605]
U-Netに基づくアーキテクチャにおける残余単位の利点を利用したディープニューラルネットワークの実装について検討する。
その結果, 灰色スケール画像のトレーニングは, それぞれ0.73, 0.58, 0.92のサイコロスコア, 精度, およびリコールの平均値が得られた。
論文 参考訳(メタデータ) (2021-01-13T11:41:39Z) - Comparison of different CNNs for breast tumor classification from
ultrasound images [12.98780709853981]
超音波画像から良性腫瘍と悪性腫瘍を分類することは重要であるが困難な課題である。
乳腺腫瘍自動分類の課題として,様々な畳み込みニューラルネットワーク(cnns)と転送学習法を比較した。
最高の性能は、精度0.919とauc0.934のvgg-16の微調整によって得られた。
論文 参考訳(メタデータ) (2020-12-28T22:54:08Z) - A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。
CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。
CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文 参考訳(メタデータ) (2020-11-02T18:16:17Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Predictive modeling of brain tumor: A Deep learning approach [0.0]
本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。
実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
論文 参考訳(メタデータ) (2019-11-06T09:27:48Z)
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。