Fugu-MT 論文翻訳(概要): Weakly supervised deep learning-based intracranial hemorrhage localization

論文の概要: Weakly supervised deep learning-based intracranial hemorrhage localization

arxiv url: http://arxiv.org/abs/2105.00781v1
Date: Mon, 3 May 2021 12:37:23 GMT
ステータス: 処理完了
システム内更新日: 2021-05-04 13:48:44.006456
Title: Weakly supervised deep learning-based intracranial hemorrhage localization
Title（参考訳）: 深層学習に基づく頭蓋内出血の局在
Authors: Jakub Nemcek, Tomas Vicar, Roman Jakubicek
Abstract要約: 本論文では,無位置ラベルのみを用いた軸切片の正確な出血局在を弱監督する手法を提案する。出血度マップを生成し,出血の座標を求めるアルゴリズムが導入された。 58.08%のDice係数は、公開データセットのデータから得られる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intracranial hemorrhage is a life-threatening disease, which requires fast medical intervention. Owing to the duration of data annotation, head CT images are usually available only with slice-level labeling. This paper presents a weakly supervised method of precise hemorrhage localization in axial slices using only position-free labels, which is based on multiple instance learning. An algorithm is introduced that generates hemorrhage likelihood maps and finds the coordinates of bleeding. The Dice coefficient of 58.08 % is achieved on data from a publicly available dataset.
Abstract（参考訳）: 頭蓋内出血は生命を脅かす病気であり、迅速な医療介入を必要とする。データアノテーションの持続期間のため、ヘッドCT画像は通常スライスレベルのラベリングでのみ利用可能である。本稿では,複数インスタンス学習に基づく位置自由ラベルのみを用いて,軸スライスの出血位置を正確に把握する手法を提案する。出血度マップを生成し,出血の座標を求めるアルゴリズムが導入された。 58.08%のDice係数は、公開データセットのデータから得られる。

関連論文リスト

Detection of Intracranial Hemorrhage for Trauma Patients [1.0074894923170512]
本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
論文参考訳（メタデータ） (2024-08-20T12:03:59Z)
Beyond Strong labels: Weakly-supervised Learning Based on Gaussian Pseudo Labels for The Segmentation of Ellipse-like Vascular Structures in Non-contrast CTs [4.765753560367118]
本稿では,CTスキャンにおける血管構造に基づく深層学習のための弱教師付きフレームワークを提案する。提案手法の有効性を1つのローカルデータセットと2つのパブリックデータセットで評価する。
論文参考訳（メタデータ） (2024-02-05T20:08:53Z)
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)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文参考訳（メタデータ） (2022-06-01T09:20:30Z)
Unsupervised Acute Intracranial Hemorrhage Segmentation with Mixture Models [5.367040534472665]
頭蓋内出血は、血管が脳組織内や頭蓋内の他の場所で破裂または漏れたときに起こる。各イメージを手動で分析するのは非常に時間がかかるが、自動化技術はプロセスのスピードアップに役立つ。混合モデルに基づく完全監視アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-05-12T18:26:00Z)
Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文参考訳（メタデータ） (2021-03-01T06:05:49Z)
Localization and classification of intracranialhemorrhages in CT data [0.0]
頭蓋内出血(ICHs)は、比較的高い頻度で致命的な脳損傷である。本稿では,局所化を含むICHの検出と分類のための自動アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-07T12:07:27Z)
Looking in the Right place for Anomalies: Explainable AI through Automatic Location Learning [51.72146225623288]
我々は、予測された位置をオーバーラップすることを保証した、説明可能なAIへのアプローチを開発する。 ResNet101に基づく後続のアテンション誘導推論ネットワークにバイアスを与えるためにこの期待位置を使用することで、期待位置における異常の分離が実現される。
論文参考訳（メタデータ） (2020-08-02T00:02:37Z)
Intracranial Hemorrhage Detection Using Neural Network Based Methods With Federated Learning [0.0]
頭蓋内出血は頭蓋内出血であり、急速かつしばしば集中治療を必要とする深刻な健康上の問題である。我々は,CTスキャンに基づいて条件の探索と分類を行うニューラルネットワーク手法を提案する。このようなアーキテクチャから92%以上の精度を観測し、十分なデータを提供しました。
論文参考訳（メタデータ） (2020-05-10T05:35:15Z)
Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
論文参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。