Fugu-MT 論文翻訳(概要): Machine Learning Based Texture Analysis of Patella from X-Rays for Detecting Patellofemoral Osteoarthritis

論文の概要: Machine Learning Based Texture Analysis of Patella from X-Rays for Detecting Patellofemoral Osteoarthritis

arxiv url: http://arxiv.org/abs/2106.01700v2
Date: Fri, 4 Jun 2021 07:56:43 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 10:52:13.569520
Title: Machine Learning Based Texture Analysis of Patella from X-Rays for Detecting Patellofemoral Osteoarthritis
Title（参考訳）: 機械学習を用いた変形性膝関節症診断のためのX線パテラのテクスチャー解析
Authors: Neslihan Bayramoglu, Miika T. Nieminen, Simo Saarakkala
Abstract要約: ランドマーク検出ツール(BoneFinder)を用いてROI(Patellar region-of-interest)を自動的に検出した。次に、LocalBinary Patterns (LBP)に基づく手作りの特徴を抽出し、パテラーテクスチャを記述した。膝蓋骨遠位端変形性関節症(PFOA)検出のためのテクスチャパッチに直接、エンドツーエンド訓練深部畳み込みニューラルネットワーク(CNN)を用いた。
参考スコア（独自算出の注目度）: 3.609538870261841
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Objective is to assess the ability of texture features for detecting radiographic patellofemoral osteoarthritis (PFOA) from knee lateral view radiographs. We used lateral view knee radiographs from MOST public use datasets (n = 5507 knees). Patellar region-of-interest (ROI) was automatically detected using landmark detection tool (BoneFinder). Hand-crafted features, based on LocalBinary Patterns (LBP), were then extracted to describe the patellar texture. First, a machine learning model (Gradient Boosting Machine) was trained to detect radiographic PFOA from the LBP features. Furthermore, we used end-to-end trained deep convolutional neural networks (CNNs) directly on the texture patches for detecting the PFOA. The proposed classification models were eventually compared with more conventional reference models that use clinical assessments and participant characteristics such as age, sex, body mass index(BMI), the total WOMAC score, and tibiofemoral Kellgren-Lawrence (KL) grade. Atlas-guided visual assessment of PFOA status by expert readers provided in the MOST public use datasets was used as a classification outcome for the models. Performance of prediction models was assessed using the area under the receiver operating characteristic curve (ROC AUC), the area under the precision-recall (PR) curve-average precision (AP)-, and Brier score in the stratified 5-fold cross validation setting.Of the 5507 knees, 953 (17.3%) had PFOA. AUC and AP for the strongest reference model including age, sex, BMI, WOMAC score, and tibiofemoral KL grade to predict PFOA were 0.817 and 0.487, respectively. Textural ROI classification using CNN significantly improved the prediction performance (ROC AUC= 0.889, AP= 0.714). We present the first study that analyses patellar bone texture for diagnosing PFOA. Our results demonstrates the potential of using texture features of patella to predict PFOA.
Abstract（参考訳）: 本研究の目的は, 膝側頭蓋骨関節症(PFOA)の診断におけるテクスチャ機能の評価である。ほとんどの公衆用データセット(n = 5507膝)の側方視膝x線写真を用いた。 Patellar region-of-interest(ROI)はランドマーク検出ツール(BoneFinder)を使用して自動的に検出される。次に、LocalBinary Patterns (LBP)に基づく手作りの特徴を抽出し、パテラーテクスチャを記述した。まず,LBP特徴量からPFOAを検出するための機械学習モデル(Gradient Boosting Machine)を訓練した。さらに, PFOA検出のためのテクスチャパッチに直接, エンドツーエンドの深層畳み込みニューラルネットワーク(CNN)を用いた。提案した分類モデルは, 年齢, 性別, 体重指数(BMI), 総WOMACスコア, およびKelgren-Lawrence(KL)グレードなどの, 臨床評価と参加者特性を用いた従来型の基準モデルと比較した。 MOSTパブリックユースデータセットで提供される専門家読者によるPFOA状態のアトラス誘導による視覚的評価をモデルの分類結果として用いた。予測モデルの性能は, 入力特性曲線 (roc auc) 下の領域, 精度リコール (pr) 曲線平均精度 (ap) 以下の領域, 層状5倍クロス検証設定におけるブライアスコアを用いて評価した。年齢,性別,BMI,WOMAC,Tybiofemoral KL等を含む最強基準モデルでは,PFOAを推定するためのAUCとAPは0.817,0.487であった。 CNNを用いたテキストROI分類では予測性能が有意に向上した(ROC AUC=0.889, AP=0.714)。本研究はPFOAの診断のための骨組織構造を解析する最初の研究である。 PFOAを予測するために膝蓋骨のテクスチャ的特徴を用いることの可能性を示した。

関連論文リスト

A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文参考訳（メタデータ） (2023-10-30T11:13:40Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文参考訳（メタデータ） (2023-05-10T06:43:33Z)
Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文参考訳（メタデータ） (2022-12-17T23:29:14Z)
Unsupervised Domain Adaptation for Automated Knee Osteoarthritis Phenotype Classification [0.8288807499147146]
本研究の目的は,小データセットを用いた自動膝関節症(OA)表現型分類における非教師なし領域適応(UDA)の有用性を実証することであった。
論文参考訳（メタデータ） (2022-12-14T04:26:32Z)
Predicting Knee Osteoarthritis Progression from Structural MRI using Deep Learning [2.9822184411723645]
先行技術は手動でデザインされたイメージングバイオマーカーに焦点を合わせており、MRIスキャンに存在するすべての疾患関連情報を十分に活用するものではないかもしれない。対照的に,本手法では,Deep Learningを用いて生データのエンドツーエンドから関連する表現を学習する。この方法は2D CNNを用いてデータをスライス的に処理し、抽出した特徴をTransformerを使って集約する。
論文参考訳（メタデータ） (2022-01-26T10:17:41Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
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)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Automated Detection of Patellofemoral Osteoarthritis from Knee Lateral View Radiographs Using Deep Learning: Data from the Multicenter Osteoarthritis Study (MOST) [3.609538870261841]
本論文では,PFOA(Automatic Patello大腿骨関節症)検出法を提案する。膝側方X線写真から乳頭領域を訓練した深層学習モデルでは、患者特性や臨床評価に基づくモデルよりもPFOAの予測が優れています。
論文参考訳（メタデータ） (2021-01-12T08:37:55Z)
CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文参考訳（メタデータ） (2020-01-23T15:20:22Z)

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。