論文の概要: Improved TB classification using bone-suppressed chest radiographs
- arxiv url: http://arxiv.org/abs/2104.04518v1
- Date: Fri, 9 Apr 2021 17:58:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-12 13:55:36.445425
- Title: Improved TB classification using bone-suppressed chest radiographs
- Title(参考訳): 骨抑制胸部x線写真によるtb分類の改善
- Authors: Sivaramakrishnan Rajaraman, Ghada Zamzmi, Les Folio, Philip Alderson
and Sameer Antani
- Abstract要約: リブや鎖骨などの骨構造の存在は、診断エラーにつながる微妙な異常を隠すことができます。
本研究の目的は, 胸部x線中の骨構造を同定し除去する, 深層学習(dl)に基づく骨抑制モデルの構築である。
骨圧CXRで訓練されたモデルが非骨圧CXRで訓練されたモデルを大幅に上回ることが観察された。
- 参考スコア(独自算出の注目度): 0.6999740786886535
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chest X-rays (CXRs) are the most commonly performed diagnostic examination to
detect cardiopulmonary abnormalities. However, the presence of bony structures
such as ribs and clavicles can obscure subtle abnormalities resulting in
diagnostic errors. This study aims to build a deep learning (DL)-based bone
suppression model that identifies and removes these occluding bony structures
in frontal CXRs to assist in reducing errors in radiological interpretation,
including DL workflows, related to detecting manifestations consistent with
Tuberculosis (TB). Several bone suppression models with various deep
architectures are trained and their performances are evaluated in a
cross-institutional test setting. The best-performing model (ResNet-BS) is used
to suppress bones in the Shenzhen and Montgomery TB CXR collections. A VGG-16
model is pretrained on a large collection of publicly available CXRs. The
CXR-pretrained model is then fine-tuned individually on the non-bone-suppressed
and bone-suppressed CXRs of Shenzhen and Montgomery TB CXR collections to
classify them as showing normal lungs or TB manifestations. The performances of
these models are compared using several performance metrics, analyzed for
statistical significance, and their predictions are qualitatively interpreted
through class-selective relevance maps (CRM). It is observed that the models
trained on bone-suppressed CXRs significantly outperformed the models trained
individually on the non-bone-suppressed CXRs (p<0.05) in the Shenzhen and
Montgomery TB collections. Models trained on bone-suppressed CXRs improved
detection of TB-consistent findings and resulted in compact clustering of the
data points in the feature space signifying that bone suppression improved the
model sensitivity toward TB classification.
- Abstract(参考訳): 胸部X線検査 (CXRs) は心肺異常を検出する最も一般的な診断である。
しかし、リブや鎖骨のような骨構造の存在は、診断ミスをもたらす微妙な異常を引き起こす可能性がある。
本研究の目的は, 結核 (tb) にともなう症状の検出に関連するdlワークフローを含む放射線学的解釈の誤りを軽減するために, 前頭骨cxrの骨構造を同定し除去する, 深層学習(dl)に基づく骨抑制モデルの構築である。
各種の深層構造を有する骨抑制モデルを訓練し,その性能を施設間試験で評価した。
ベストパフォーマンスモデル(ResNet-BS)は深センとモンゴメリーのCXRコレクションの骨の抑制に用いられる。
VGG-16モデルは、公開されているCXRの大規模なコレクションで事前訓練されている。
CXR抑制モデルは、深センとモンゴメリーのCXRコレクションの非骨抑制および骨抑制のCXRに対して個別に微調整され、正常な肺またはTBの徴候を示すものとして分類される。
これらのモデルの性能はいくつかのパフォーマンス指標を用いて比較され、統計的重要性を解析し、それらの予測はクラス選択関連マップ(CRM)を通して質的に解釈される。
深セン, モンゴメリー TB コレクションの非骨抑制 CXR (p<0.05) で個別に訓練したモデルでは, 骨抑制 CXR で訓練したモデルの方が有意に優れていた。
骨抑制CXRをトレーニングしたモデルでは, TB含有所見の検出が向上し, 特徴空間におけるデータポイントのクラスタリングが小型化され, 骨の抑制により, TB分類に対するモデル感度が向上した。
関連論文リスト
- BS-LDM: Effective Bone Suppression in High-Resolution Chest X-Ray Images with Conditional Latent Diffusion Models [23.830681949520745]
肺疾患は、Chest X-Ray(CXR)が重要な診断ツールであると共に、重要な世界的な健康上の課題である。
肺病変の検出は、しばしばCXR画像の重なり合う骨構造によって妨げられ、潜在的な誤診につながる。
我々は,高解像度CXR画像の骨を効果的に抑制するために,BS-LDMと呼ばれるエンドツーエンドのフレームワークを開発した。
論文 参考訳(メタデータ) (2024-12-20T08:36:17Z) - 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) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳(メタデータ) (2023-07-06T08:27:48Z) - Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。
実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
論文 参考訳(メタデータ) (2023-05-20T03:17:44Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - A bone suppression model ensemble to improve COVID-19 detection in chest
X-rays [0.6999740786886535]
我々は,前頭部胸部X線像の骨を抑制するために,畳み込みニューラルネットワークモデルのアンサンブルを構築することを提案する。
骨抑制モデルでは,MS-SSIMなどの指標で個々のモデルよりも優れた性能を示した。
CXRモダリティ特異的分類モデルは、非骨抑制および骨抑制画像に基づいて再訓練され、正常な肺または他のCOVID-19様の徴候を示すものとして分類される。
論文 参考訳(メタデータ) (2021-11-05T11:27:26Z) - GAN-based disentanglement learning for chest X-ray rib suppression [12.158957925558296]
本稿では,リブ抑圧GAN(RSGAN)と呼ばれる,GANをベースとしたアンタングル学習フレームワークを提案する。
我々は,CXRと対応するリブ抑制結果の強度差を特徴付けるために残差写像を用いる。
我々は,1,673個のCTボリュームと4つのベンチマークCXRデータセットに基づいて,120K以上の画像を対象とした広範囲な実験を行った。
論文 参考訳(メタデータ) (2021-10-18T09:39:53Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - 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。