Fugu-MT 論文翻訳(概要): Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations

論文の概要: Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations

arxiv url: http://arxiv.org/abs/2104.10824v1
Date: Thu, 22 Apr 2021 01:57:35 GMT
ステータス: 処理完了
システム内更新日: 2021-04-23 14:06:58.774156
Title: Colonoscopy Polyp Detection and Classification: Dataset Creation and Comparative Evaluations
Title（参考訳）: 大腸内視鏡ポリープ検出と分類:データセット作成と比較評価
Authors: Kaidong Li, Mohammad I. Fathan, Krushi Patel, Tianxiao Zhang, Cuncong Zhong, Ajay Bansal, Amit Rastogi, Jean S. Wang, Guanghui Wang
Abstract要約: 大腸癌(CRC)は、死亡率の高いがんの最も一般的なタイプの1つです。コンピュータ支援ポリープ検出・分類システムは大腸内視鏡の有用性を著しく高めることができる。この研究は、ポリープ検出と分類の将来の研究の基礎となることができる。
参考スコア（独自算出の注目度）: 12.160373952983319
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Colorectal cancer (CRC) is one of the most common types of cancer with a high mortality rate. Colonoscopy is the preferred procedure for CRC screening and has proven to be effective in reducing CRC mortality. Thus, a reliable computer-aided polyp detection and classification system can significantly increase the effectiveness of colonoscopy. In this paper, we create an endoscopic dataset collected from various sources and annotate the ground truth of polyp location and classification results with the help of experienced gastroenterologists. The dataset can serve as a benchmark platform to train and evaluate the machine learning models for polyp classification. We have also compared the performance of eight state-of-the-art deep learning-based object detection models. The results demonstrate that deep CNN models are promising in CRC screening. This work can serve as a baseline for future research in polyp detection and classification.
Abstract（参考訳）: 大腸癌 (crc) は高い死亡率を持つ最も一般的ながんの1つである。大腸内視鏡はCRCスクリーニングの望ましい方法であり、CRC死亡率の低下に有効であることが証明されている。これにより、信頼性の高いコンピュータ支援ポリープ検出・分類システムにより、大腸内視鏡の有用性が著しく向上する。本稿では,さまざまなソースから収集した内視鏡的データセットを作成し,経験豊富な消化器科医の助けを借りて,ポリプの位置と分類結果の基礎的真実を注釈する。このデータセットは、polyp分類のための機械学習モデルをトレーニングし、評価するためのベンチマークプラットフォームとして機能する。また、8つの最先端のディープラーニングに基づくオブジェクト検出モデルの性能を比較した。結果は,CRCスクリーニングにおいて深部CNNモデルが有望であることを示す。この研究は、将来のポリプの検出と分類の研究のベースラインとなる。

関連論文リスト

Efficient Self-Supervised Barlow Twins from Limited Tissue Slide Cohorts for Colonic Pathology Diagnostics [14.177695952155213]
大腸癌 (CRC) は、スクリーニングの恩恵を受ける、確立されたdysplasia-carcinoma sequenceを有する数少ないがんの1つである。 DLモデルは、全スライディング画像のギガピクセル画像サイズと詳細な注釈付きデータセットの不足により、計算病理学(CPath)において重大な課題に直面している。本稿では,大腸ポリープスクリーニングのためのBarlow Twinsフレームワークを提案する。
論文参考訳（メタデータ） (2024-11-08T20:43:53Z)
Consisaug: A Consistency-based Augmentation for Polyp Detection in Endoscopy Image Analysis [3.716941460306804]
ディープラーニングを活用したデータ強化のための,革新的で効果的な手法であるConsisaugを紹介した。 5つのパブリックなポリプデータセットと3つのバックボーンにConsisaugを実装し,本手法の有効性を示した。
論文参考訳（メタデータ） (2024-04-17T13:09:44Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
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)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Self-Supervised U-Net for Segmenting Flat and Sessile Polyps [63.62764375279861]
大腸ポリープの発達は、がんの最も初期の兆候の1つである。ポリープの早期検出と切除は生存率を90%に大きく向上させる。大腸内視鏡画像の処理によりポリープを検出するコンピュータ支援診断システム(CADx)が提案されている。
論文参考訳（メタデータ） (2021-10-17T09:31:20Z)
A Comprehensive Study on Colorectal Polyp Segmentation with ResUNet++, Conditional Random Field and Test-Time Augmentation [0.7224497621488285]
大腸内視鏡は大腸癌とその前駆体を検出するための金の標準であると考えられている。高度な機械学習アルゴリズムに基づくコンピュータ支援診断システムをゲームチェンジャーとして評価する。
論文参考訳（メタデータ） (2021-07-26T18:55:58Z)
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)
AG-CUResNeSt: A Novel Method for Colon Polyp Segmentation [0.0]
本稿では、ロバストなResNeStバックボーンとアテンションゲートを用いて結合ユニセットを強化するAG-CUResNeStと呼ばれる新しいニューラルネットワークアーキテクチャを提案する。提案手法は既存手法と比較して最先端の精度を実現する。
論文参考訳（メタデータ） (2021-05-02T06:36:36Z)
DeepCervix: A Deep Learning-based Framework for the Classification of Cervical Cells Using Hybrid Deep Feature Fusion Techniques [14.208643185430219]
女性の中で最も多い致死性癌の1つである頸部がんは、早期に再発性病変を検出するために、定期的な検診によって予防することができる。手動スクリーニングの実践を改善するため, 機械学習(ML)と深層学習(DL)を用いたコンピュータ支援診断(CAD)システムを用いて, 頚部乳頭細胞の分類を行った。本研究は, dlに基づくハイブリッド型深部機能融合(hdff)技術を提案し, 頸椎細胞を正確に分類する。
論文参考訳（メタデータ） (2021-02-24T10:34:51Z)
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)

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。