Fugu-MT 論文翻訳(概要): Effort-free Automated Skeletal Abnormality Detection of Rat Fetuses on Whole-body Micro-CT Scans

論文の概要: Effort-free Automated Skeletal Abnormality Detection of Rat Fetuses on Whole-body Micro-CT Scans

arxiv url: http://arxiv.org/abs/2106.01830v1
Date: Thu, 3 Jun 2021 13:31:16 GMT
ステータス: 処理完了
システム内更新日: 2021-06-04 16:21:05.628489
Title: Effort-free Automated Skeletal Abnormality Detection of Rat Fetuses on Whole-body Micro-CT Scans
Title（参考訳）: 全体微小CTスキャンによるラット胎児の自家骨格異常検出
Authors: Akihiro Fukuda, Changhee Han, Kazumi Hakamada
Abstract要約: そこで本研究では,ラット胎児の骨格の局在・ラベル・異常検出を全身微小CTスキャンで徹底的に自動化する骨特徴工学手法を提案する。骨格ラベリングと異常検出では,49頭の胎児の訓練データに制限があったが,それぞれ0.900と0.810の精度が得られた。
参考スコア（独自算出の注目度）: 0.19336815376402722
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Machine Learning-based fast and quantitative automated screening plays a key role in analyzing human bones on Computed Tomography (CT) scans. However, despite the requirement in drug safety assessment, such research is rare on animal fetus micro-CT scans due to its laborious data collection and annotation. Therefore, we propose various bone feature engineering techniques to thoroughly automate the skeletal localization/labeling/abnormality detection of rat fetuses on whole-body micro-CT scans with minimum effort. Despite limited training data of 49 fetuses, in skeletal labeling and abnormality detection, we achieve accuracy of 0.900 and 0.810, respectively.
Abstract（参考訳）: 機械学習に基づく高速かつ定量的な自動スクリーニングは、CTスキャンでヒトの骨を分析する上で重要な役割を果たしている。しかし, 医薬品の安全性評価の要件にもかかわらず, 動物胎児の微小CTスキャンでは, 厳密なデータ収集やアノテーションによる研究は稀である。そこで本研究では,ラット胎児の骨格の局在・ラベル・異常検出を最小限の努力で行う骨特徴工学手法を提案する。 49名の胎児のトレーニングデータに制限があるにもかかわらず, 骨格標識と異常検出では, それぞれ 0.900 と 0.810 の精度が得られた。

関連論文リスト

Whole-examination AI estimation of fetal biometrics from 20-week ultrasound scans [6.1751261266833986]
生体計測における人間レベルの性能を実現するパラダイムシフトを導入する。我々は畳み込みニューラルネットワークを用いて、超音波ビデオ記録の各フレームを分類する。適切な解剖が観察できるフレーム毎に胎児の生体計測を計測する。
論文参考訳（メタデータ） (2024-01-02T13:04:41Z)
Multi-Task Learning Approach for Unified Biometric Estimation from Fetal Ultrasound Anomaly Scans [0.8213829427624407]
本稿では,頭部,腹部,大腿骨に領域を分類するマルチタスク学習手法を提案する。頭部周囲の平均絶対誤差は1.08mm,腹部周囲は1.44mm,大腿骨骨長は1.10mm,分類精度は99.91%であった。
論文参考訳（メタデータ） (2023-11-16T06:35:02Z)
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)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)
Fast and Robust Femur Segmentation from Computed Tomography Images for Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文参考訳（メタデータ） (2022-04-20T16:16:16Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound Planes [10.745788530692305]
提案したフレームワークは、最先端のセグメンテーションモデルを用いて、重要な胎児解剖を意味的にセグメンテーションする。その結果, セグメンテーション性能のよいネットワークは, バイオメトリ推定においてより正確であることが示唆された。
論文参考訳（メタデータ） (2021-07-12T08:42:31Z)
Segmenting Microcalcifications in Mammograms and its Applications [13.14445724857568]
微小石灰化はSitu乳癌の直腸癌の特異な徴候である。既存のコンピュータ化されたマイクロ石灰化の検出とセグメント化のためのアルゴリズムは、高い偽陽性率に悩まされる傾向にある。深層学習を用いた正確な石灰化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） (2021-02-01T12:58:54Z)
Lung Segmentation and Nodule Detection in Computed Tomography Scan using a Convolutional Neural Network Trained Adversarially using Turing Test Loss [6.375447757249894]
肺がんは世界中で最も多く見られるがんであり、死亡率が高い。悪性腫瘍の症状である結節は、患者のCTスキャンで約0.0125～0.025%の体積を占める。この問題に対処するために,計算効率の良い2段階フレームワークを提案する。第1段階では、肺領域のチューリング試験損失セグメントを用いて、畳み込みニューラルネットワーク(CNN)が逆行訓練を行った。第2段階では、区分けされた領域から採取されたパッチは、結節の存在を検出するために分類される。
論文参考訳（メタデータ） (2020-06-16T16:51:53Z)

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。