論文の概要: Towards Automatic Recognition of Pure & Mixed Stones using
Intraoperative Endoscopic Digital Images
- arxiv url: http://arxiv.org/abs/2105.10686v1
- Date: Sat, 22 May 2021 10:52:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 15:30:51.323869
- Title: Towards Automatic Recognition of Pure & Mixed Stones using
Intraoperative Endoscopic Digital Images
- Title(参考訳): 術中内視鏡画像を用いた純石・混合石の自動認識に向けて
- Authors: Vincent Estrade, Michel Daudon, Emmanuel Richard, Jean-Christophe
Bernhard, Franck Bladou, Gregoire Robert, Baudouin Denis de Senneville
- Abstract要約: 深層畳み込みニューラルネットワークは、純石と混合石の両方の組成を予測するために訓練された。
表面画像を用いた「純IIIb/UA」の感度は98 %であった。
混合型"Ia/COM+IIb/COD"では, 表面像の84 %, IIb/CODの70 %, それぞれ65 %でIa/COMが予測された。
- 参考スコア(独自算出の注目度): 0.5709573160862248
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: To assess automatic computer-aided in-situ recognition of
morphological features of pure and mixed urinary stones using intraoperative
digital endoscopic images acquired in a clinical setting. Materials and
methods: In this single-centre study, an experienced urologist intraoperatively
and prospectively examined the surface and section of all kidney stones
encountered. Calcium oxalate monohydrate (COM/Ia), dihydrate (COD/IIb) and uric
acid (UA/IIIb) morphological criteria were collected and classified to generate
annotated datasets. A deep convolutional neural network (CNN) was trained to
predict the composition of both pure and mixed stones. To explain the
predictions of the deep neural network model, coarse localisation heat-maps
were plotted to pinpoint key areas identified by the network. Results: This
study included 347 and 236 observations of stone surface and stone section,
respectively. A highest sensitivity of 98 % was obtained for the type "pure
IIIb/UA" using surface images. The most frequently encountered morphology was
that of the type "pure Ia/COM"; it was correctly predicted in 91 % and 94 % of
cases using surface and section images, respectively. Of the mixed type
"Ia/COM+IIb/COD", Ia/COM was predicted in 84 % of cases using surface images,
IIb/COD in 70 % of cases, and both in 65 % of cases. Concerning mixed
Ia/COM+IIIb/UA stones, Ia/COM was predicted in 91 % of cases using section
images, IIIb/UA in 69 % of cases, and both in 74 % of cases. Conclusions: This
preliminary study demonstrates that deep convolutional neural networks are
promising to identify kidney stone composition from endoscopic images acquired
intraoperatively. Both pure and mixed stone composition could be discriminated.
Collected in a clinical setting, surface and section images analysed by deep
CNN provide valuable information about stone morphology for computer-aided
diagnosis.
- Abstract(参考訳): 目的:臨床現場で取得した術中デジタル内視鏡画像を用いて純尿石と混合尿石の形態的特徴の自動認識を評価すること。
材料と方法: 本研究では, 経験豊富な尿器科医が, 腎結石の表面と部分について, 術中および前向きに検討した。
炭酸カルシウムの一水和物 (COM/Ia), 二水化物 (COD/IIb) および尿酸 (UA/IIIb) の形態基準を収集し, 注釈データセットを生成するために分類した。
深層畳み込みニューラルネットワーク (cnn) を訓練し, 純石と混合石の組成を推定した。
ディープニューラルネットワークモデルの予測を説明するために、粗い局所化熱マップをプロットして、ネットワークが特定したキー領域をピンポイントした。
結果: 石面の347例, 石断面の236例について検討した。
表面画像を用いた「純IIIb/UA」の感度は98 %であった。
最も頻繁に遭遇した形態は「pure ia/com」型の形態であり、それぞれ表面画像と断面画像を用いて91 %と94 %のケースで正しく予測された。
混合型"Ia/COM+IIb/COD"では, 表面像の84 %, IIb/CODの70 %, それぞれ65 %でIa/COMが予測された。
混合Ia/COM+IIIb/UAは91%,IIIb/UAは69%,Ia/COMは74%であった。
結論: 深層畳み込みニューラルネットワークは, 術中取得した内視鏡画像から腎臓石組成を同定できる可能性が示唆された。
純石組成と混合石組成の両方を区別できる。
深層cnnによって分析された表面画像と断面画像は、コンピュータ支援診断のために石の形態に関する貴重な情報を提供する。
関連論文リスト
- Evaluating the plausibility of synthetic images for improving automated endoscopic stone recognition [0.9480662172227129]
現在、Morpho-Constitutional Analysis (MCA) は腎臓結石の組織学的診断における事実上のアプローチである。
近年では、内視鏡的石盤認識(ESR)と呼ばれる、そのようなタスクを術中実行することに焦点を当てている。
論文 参考訳(メタデータ) (2024-09-20T11:19:08Z) - TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for
Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。
ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文 参考訳(メタデータ) (2023-10-19T11:09:50Z) - Advancing Ischemic Stroke Diagnosis: A Novel Two-Stage Approach for
Blood Clot Origin Identification [0.0]
本稿では,血液凝固起源を分類する革新的な2段階法について述べる。
MobileNetV3に基づく背景分類器は、大きめのデジタル病理画像を多数のタイルに分割し、細胞物質の存在を検出する。
異なる事前訓練された画像分類アルゴリズムは、血栓の起源を決定するために微調整される。
論文 参考訳(メタデータ) (2023-04-26T18:46:26Z) - 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 morphological recognition of kidney stones using intra-operative
endoscopic digital videos [0.30382867467444796]
レーザーによる尿石の断片化は、現在最も確立された外科的介入であり、標的石の形態を破壊する可能性がある。
本研究は,石の形態的特徴の自動認識のための完全デジタル内視鏡映像シーケンスの処理性能と付加価値を評価するものである。
論文 参考訳(メタデータ) (2022-05-12T13:58:57Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳(メタデータ) (2022-04-22T08:17:20Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳(メタデータ) (2021-05-09T18:58:48Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Sensitivity and Specificity Evaluation of Deep Learning Models for
Detection of Pneumoperitoneum on Chest Radiographs [0.8437813529429724]
最先端のディープラーニングモデル(ResNet101、InceptionV3、DenseNet161、ResNeXt101)は、このデータセットのサブセットでトレーニングされた。
DenseNet161モデルは、異なるイメージングシステムから無線画像の正確な分類を可能にした。
論文 参考訳(メタデータ) (2020-10-17T21:41:53Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳(メタデータ) (2020-07-30T19:14:00Z)
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。