論文の概要: An Interpretable Approach to Automated Severity Scoring in Pelvic Trauma

• arxiv url: http://arxiv.org/abs/2105.10238v1
• Date: Fri, 21 May 2021 09:52:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:31:11.894151
• Title: An Interpretable Approach to Automated Severity Scoring in Pelvic Trauma
• Title（参考訳）: 骨盤外傷の重症度自動評価に対する解釈的アプローチ
• Authors: Anna Zapaishchykova, David Dreizin, Zhaoshuo Li, Jie Ying Wu, Shahrooz Faghih Roohi, Mathias Unberath
• Abstract要約: 骨盤輪の破壊は鈍的外傷機構によって引き起こされ、多系統外傷患者にしばしば見られる。 全身CTによる骨盤骨折の重症度評価にはTile AO/OTA分類が多用されている。 本稿では, 骨盤外傷の自動診断支援システムについて紹介する。
• 参考スコア（独自算出の注目度）: 3.762671763237911
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pelvic ring disruptions result from blunt injury mechanisms and are often found in patients with multi-system trauma. To grade pelvic fracture severity in trauma victims based on whole-body CT, the Tile AO/OTA classification is frequently used. Due to the high volume of whole-body trauma CTs generated in busy trauma centers, an automated approach to Tile classification would provide substantial value, e.,g., to prioritize the reading queue of the attending trauma radiologist. In such scenario, an automated method should perform grading based on a transparent process and based on interpretable features to enable interaction with human readers and lower their workload by offering insights from a first automated read of the scan. This paper introduces an automated yet interpretable pelvic trauma decision support system to assist radiologists in fracture detection and Tile grade classification. The method operates similarly to human interpretation of CT scans and first detects distinct pelvic fractures on CT with high specificity using a Faster-RCNN model that are then interpreted using a structural causal model based on clinical best practices to infer an initial Tile grade. The Bayesian causal model and finally, the object detector are then queried for likely co-occurring fractures that may have been rejected initially due to the highly specific operating point of the detector, resulting in an updated list of detected fractures and corresponding final Tile grade. Our method is transparent in that it provides finding location and type using the object detector, as well as information on important counterfactuals that would invalidate the system's recommendation and achieves an AUC of 83.3%/85.1% for translational/rotational instability. Despite being designed for human-machine teaming, our approach does not compromise on performance compared to previous black-box approaches.
• Abstract（参考訳）: 骨盤輪の破壊は鈍的外傷機構によって引き起こされ、多系統外傷患者にしばしば見られる。 全身CTによる骨盤骨折の重症度評価にはTile AO/OTA分類が多用されている。 重度の外傷センターで発生する全身外傷CTの量が多いため、タイル分類への自動的アプローチは、例えば、出席する外傷放射線医の読み出しキューを優先順位付けするために、かなりの価値を提供する。 このようなシナリオでは、自動化された方法は、透明なプロセスに基づいてグレーディングを行い、解釈可能な特徴に基づいて、最初の自動読み出しから洞察を提供することで、人間の読者とのインタラクションを可能にし、ワークロードを削減すべきである。 そこで本研究では, 骨盤外傷自動診断支援システムについて紹介する。 この方法は、ctスキャンの人間の解釈と同様に動作し、まず、より高速なrcnnモデルを用いて、高度に特異なctの骨盤骨折を検知し、臨床的ベストプラクティスに基づいた構造的因果モデルを用いて初期タイルグレードを推定する。 ベイズ因果モデルおよび最後に、物体検出器は、検出器の高度に特定された操作点によって最初に拒絶された可能性のある共起骨折に対して照会され、その結果、検出された骨折のリストと対応する最終タイルグレードが更新される。 提案手法は, 物体検出器を用いて位置と型を見つけるとともに, システム推奨を無効にし, 翻訳・回転不安定に対して83.3%/85.1%のAUCを実現する重要な対策情報を提供する。 ヒューマンマシン・チーム化のために設計されたにもかかわらず、我々のアプローチは従来のブラックボックス・アプローチと比べてパフォーマンスを損なわない。

関連論文リスト

• Automated external cervical resorption segmentation in cone-beam CT using local texture features [0.14025454637917362]
  外側頚椎吸収 (ECR) は歯に影響を及ぼす吸収過程である。 CT(cone-beam Computed tomography)は,EMCの適切な評価のために推奨される画像モダリティである。 本稿では,局所的に抽出されたボクセルのテクスチャ特徴の自動二分分類に基づくECR病変のセグメンテーション法を提案する。
  論文  参考訳（メタデータ） (2025-01-09T13:43:01Z)
• An Intrinsically Explainable Approach to Detecting Vertebral Compression Fractures in CT Scans via Neurosymbolic Modeling [9.108675519106319]
  脊椎圧迫骨折(VCFs)は骨粗しょう症の一般的な原因であり、潜在的に重篤な結果である。 機会論的診断のような高度なシナリオでは、モデル解釈可能性がAIレコメンデーションの採用の鍵となる。 我々はCTボリュームにおけるVCF検出のためのニューロシンボリックアプローチを導入する。
  論文  参考訳（メタデータ） (2024-12-23T04:01:44Z)
• AI-Powered Intracranial Hemorrhage Detection: A Co-Scale Convolutional Attention Model with Uncertainty-Based Fuzzy Integral Operator and Feature Screening [5.486205584465161]
  頭蓋内出血(ICH、Intracranial hemorrhage)とは、頭蓋内の血液の漏れや蓄積を指す用語である。 本研究の主な目的は、ICHの発生または非発生を検出し、次いで、硬膜下出血(SDH)の種類を決定することである。
  論文  参考訳（メタデータ） (2024-12-19T14:06:44Z)
• Deep Rib Fracture Instance Segmentation and Classification from CT on the RibFrac Challenge [66.86170104167608]
  RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。 MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。 この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
  論文  参考訳（メタデータ） (2024-02-14T18:18:33Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Semantic Latent Space Regression of Diffusion Autoencoders for Vertebral Fracture Grading [72.45699658852304]
  本稿では,教師なし特徴抽出器として生成拡散オートエンコーダモデルを訓練するための新しい手法を提案する。 フラクチャーグレーディングを連続回帰としてモデル化し, フラクチャーのスムーズな進行を反映した。 重要なことに,本手法の創成特性は,与えられた脊椎の様々な段階を可視化し,自動グルーピングに寄与する特徴を解釈し,洞察することを可能にする。
  論文  参考訳（メタデータ） (2023-03-21T17:16:01Z)
• Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
  術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。 我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
  論文  参考訳（メタデータ） (2023-02-08T15:41:21Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)

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。