論文の概要: Advances in Artificial Intelligence to Reduce Polyp Miss Rates during Colonoscopy

• arxiv url: http://arxiv.org/abs/2105.07467v1
• Date: Sun, 16 May 2021 16:10:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 05:28:27.130423
• Title: Advances in Artificial Intelligence to Reduce Polyp Miss Rates during Colonoscopy
• Title（参考訳）: 大腸内視鏡検査におけるポリープミス率低減のための人工知能の進歩
• Authors: Michael Yeung, Evis Sala, Carola-Bibiane Sch\"onlieb, Leonardo Rundo
• Abstract要約: 本稿では,polypセグメンテーションの最先端性能を実現する,新しいディープニューラルネットワークアーキテクチャを提案する。 本アルゴリズムは大腸内視鏡検査に応用でき,ポリープの欠落を減らして消化器科医を支援することができる。
• 参考スコア（独自算出の注目度）: 0.7619404259039283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: BACKGROUND AND CONTEXT: Artificial intelligence has the potential to aid gastroenterologists by reducing polyp miss detection rates during colonoscopy screening for colorectal cancer. NEW FINDINGS: We introduce a new deep neural network architecture, the Focus U-Net, which achieves state-of-the-art performance for polyp segmentation across five public datasets containing images of polyps obtained during colonoscopy. LIMITATIONS: The model has been validated on images taken during colonoscopy but requires validation on live video data to ensure generalisability. IMPACT: Once validated on live video data, our polyp segmentation algorithm could be integrated into colonoscopy practice and assist gastroenterologists by reducing the number of polyps missed
• Abstract（参考訳）: BACKGROUND and CONTEXT: 大腸癌の大腸内視鏡検診においてポリプミス検出率を低下させることで、人工知能が消化器科医を助ける可能性がある。 NEW FINDINGS:新しいディープニューラルネットワークアーキテクチャであるFocus U-Netを導入し,大腸内視鏡で得られたポリプの画像を含む5つの公開データセットに対して,ポリプセグメンテーションの最先端のパフォーマンスを実現する。 LIMITATIONS: このモデルは大腸内視鏡撮影時に撮影された画像に対して検証されているが, 汎用性を確保するためにはライブビデオデータに対する検証が必要である。 IMPACT: ライブビデオデータで検証すれば,大腸内視鏡検査にポリープ分画アルゴリズムを組み込むことができ,ポリープの欠落を減らすことで消化器科医を支援することができる。

関連論文リスト

• Frontiers in Intelligent Colonoscopy [96.57251132744446]
  本研究は, インテリジェント大腸内視鏡技術のフロンティアと, マルチモーダル医療への応用の可能性について検討する。 大腸内視鏡的シーン知覚のための4つのタスクを通して,現在のデータ中心およびモデル中心のランドスケープを評価した。 今後のマルチモーダル時代を受け入れるために,大規模マルチモーダル・インストラクション・チューニング・データセットColoninST,大腸内視鏡で設計されたマルチモーダル言語モデルColonGPT,マルチモーダル・ベンチマークの3つの基本イニシアティブを構築した。
  論文  参考訳（メタデータ） (2024-10-22T17:57:12Z)
• Self-Prompting Polyp Segmentation in Colonoscopy using Hybrid Yolo-SAM 2 Model [18.61909523131399]
  本稿では,Segment Anything Model(SAM2)とYOLOv8モデルを統合することで,ポリプセグメンテーションの新たなアプローチを提案する。 本手法では,YOLOv8のバウンディングボックス予測を利用してSAM 2の入力プロンプトを自動生成することで,手動アノテーションの必要性を軽減している。 われわれは,5つのベンチマーク大腸内視鏡画像データセットと2つの大腸内視鏡ビデオデータセットの徹底的な試験を行い,この手法が画像分割タスクおよびビデオ分割タスクの最先端モデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-09-14T17:11:37Z)
• PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy [31.54817948734052]
  3934の静止ポリプ画像を含む大規模公開データセットであるPolypDBを紹介する。 このデータセットは10人の消化器科医によって開発され、検証されている。 8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-08-19T05:36:01Z)
• EndoFinder: Online Image Retrieval for Explainable Colorectal Polyp Diagnosis [10.83700068295662]
  EndoFinderはコンテンツベースの画像検索フレームワークである。 新たに検出されたポリプが与えられた参照データベースでは、'デジタルツイン'ポリプが見つかる。 新しいポリプの臨床的意味は、一致したポリプを参照して推測することができる。
  論文  参考訳（メタデータ） (2024-07-16T05:40:17Z)
• 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)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• 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)
• Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
  大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。 これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。 正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:31:46Z)
• NeoUNet: Towards accurate colon polyp segmentation and neoplasm detection [0.0]
  本稿では,ポリプセグメンテーション問題に対するきめ細かい定式化を提案する。 我々の定式化は,ポリープ領域だけでなく,悪性度の高い部位を高い精度で同定することを目的としている。 この問題を解決するために,我々はNeoUNetと呼ばれるUNetベースのニューラルネットワークアーキテクチャとハイブリッド損失関数を提案する。
  論文  参考訳（メタデータ） (2021-07-11T11:10:12Z)
• Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos [76.37907640271806]
  大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。 収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-12-31T10:33:09Z)
• PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
  大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。 並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。 さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
  論文  参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。