Fugu-MT 論文翻訳(概要): Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation

論文の概要: Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation

arxiv url: http://arxiv.org/abs/2105.00582v2
Date: Tue, 6 Feb 2024 21:41:26 GMT
ステータス: 処理完了
システム内更新日: 2024-02-08 21:12:16.942509
Title: Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation
Title（参考訳）: 半教師付き学習による脳内出血検出と分節化の一般化
Authors: Emily Lin, Esther Yuh
Abstract要約: 本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Purpose: To develop and evaluate a semi-supervised learning model for intracranial hemorrhage detection and segmentation on an out-of-distribution head CT evaluation set. Materials and Methods: This retrospective study used semi-supervised learning to bootstrap performance. An initial "teacher" deep learning model was trained on 457 pixel-labeled head CT scans collected from one US institution from 2010-2017 and used to generate pseudo-labels on a separate unlabeled corpus of 25000 examinations from the RSNA and ASNR. A second "student" model was trained on this combined pixel- and pseudo-labeled dataset. Hyperparameter tuning was performed on a validation set of 93 scans. Testing for both classification (n=481 examinations) and segmentation (n=23 examinations, or 529 images) was performed on CQ500, a dataset of 481 scans performed in India, to evaluate out-of-distribution generalizability. The semi-supervised model was compared with a baseline model trained on only labeled data using area under the receiver operating characteristic curve (AUC), Dice similarity coefficient (DSC), and average precision (AP) metrics. Results: The semi-supervised model achieved statistically significantly higher examination AUC on CQ500 compared with the baseline (0.939 [0.938, 0.940] vs. 0.907 [0.906, 0.908]) (p=0.009). It also achieved a higher DSC (0.829 [0.825, 0.833] vs. 0.809 [0.803, 0.812]) (p=0.012) and Pixel AP (0.848 [0.843, 0.853]) vs. 0.828 [0.817, 0.828]) compared to the baseline. Conclusion: The addition of unlabeled data in a semi-supervised learning framework demonstrates stronger generalizability potential for intracranial hemorrhage detection and segmentation compared with a supervised baseline.
Abstract（参考訳）: 目的: 頭部ctを用いた頭蓋内出血検出・分節化のための半教師付き学習モデルの開発と評価すること。材料と方法: この振り返り研究は半教師あり学習を用いてパフォーマンスをブートストラップした。最初の"Teacher"ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいてトレーニングされ、RSNAとASNRから25,000の試験の別ラベルコーパスで擬似ラベルを生成するために使用された。 2つ目の"sudent"モデルは、このピクセルと擬似ラベルのデータセットでトレーニングされた。 93スキャンの検証セットでハイパーパラメータチューニングが行われた。インドで実施された481検診のデータセットであるCQ500で, 分類(n=481検診)と分割(n=23検診, 529検診)を行った。半教師付きモデルと,受信者動作特性曲線 (auc) , dice類似度係数 (dsc) および平均精度 (ap) 指標の下の領域を用いてラベル付きデータのみを訓練したベースラインモデルを比較した。結果: 半教師モデルでは, CQ500のAUCは, ベースライン (0.939 [0.938, 0.940] vs. 0.907 [0.906, 0.908]) と比較して統計的に有意に高い値を示した(p=0.009)。また, DSC (0.829 [0.825, 0.833] vs. 0.809 [0.803, 0.812]) (p=0.012) と Pixel AP (0.848 [0.843, 0.853]) vs. 0.828 [0.817, 0.828]) はベースラインに比べて高い値を示した。結論: 半教師付き学習フレームワークにおけるラベルなしデータの追加は, 教師付きベースラインと比較して, 頭蓋内出血の検出と分節化に強い汎化可能性を示す。

関連論文リスト

TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文参考訳（メタデータ） (2024-05-12T20:02:25Z)
Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。モデルの一般化性を評価するには、さらなる外部検証が必要である。
論文参考訳（メタデータ） (2024-02-08T16:54:20Z)
Comparison of retinal regions-of-interest imaged by OCT for the classification of intermediate AMD [3.0171643773711208]
269名の中間AMD患者と115名の健常者から15744名のBスキャンを行った。各サブセットについて、畳み込みニューラルネットワーク(VGG16アーキテクチャに基づいて、ImageNetで事前トレーニングされた)をトレーニングし、テストした。モデルの性能は, 受信動作特性(AUROC), 精度, 感度, 特異性に基づいて評価した。
論文参考訳（メタデータ） (2023-05-04T13:48:55Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文参考訳（メタデータ） (2022-08-11T15:16:40Z)
Deep learning-based detection of intravenous contrast in computed tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文参考訳（メタデータ） (2021-10-16T00:46:45Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
Automatic classification of multiple catheters in neonatal radiographs with deep learning [2.256008196530956]
新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
論文参考訳（メタデータ） (2020-11-14T21:27:21Z)
Automatic sleep stage classification with deep residual networks in a mixed-cohort setting [63.52264764099532]
我々は,大規模コホートの一般化性を評価するために,新しいディープニューラルネットワークモデルを開発した。総合的な分類精度はトレーニングデータの分数を増やして向上した。
論文参考訳（メタデータ） (2020-08-21T10:48:35Z)

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。