論文の概要: Deep-learning based Tools for Automated Protocol Definition of Advanced
Diagnostic Imaging Exams
- arxiv url: http://arxiv.org/abs/2106.08963v1
- Date: Fri, 28 May 2021 18:50:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-20 16:02:30.498030
- Title: Deep-learning based Tools for Automated Protocol Definition of Advanced
Diagnostic Imaging Exams
- Title（参考訳）: 高度診断画像検査のプロトコル自動定義のためのディープラーニングツール
- Authors: Andrew S. Nencka, Mohammad Sherafati, Timothy Goebel, Parag Tolat,
Kevin M. Koch
- Abstract要約: 自然言語処理(NLP)と深層学習(DL)を用いたMRI検査における自動順序ベースのプロトコル割り当ての有効性と効果について検討した。
APモードで予測される最上位のプロトコルは、それぞれ82.8%、73.8%、69.3%の"General"、"ACR"、"Local"のプロトコルクラスであった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: This study evaluates the effectiveness and impact of automated
order-based protocol assignment for magnetic resonance imaging (MRI) exams
using natural language processing (NLP) and deep learning (DL).
Methods: NLP tools were applied to retrospectively process orders from over
116,000 MRI exams with 200 unique sub-specialized protocols ("Local" protocol
class). Separate DL models were trained on 70\% of the processed data for
"Local" protocols as well as 93 American College of Radiology ("ACR") protocols
and 48 "General" protocols. The DL Models were assessed in an "auto-protocoling
(AP)" inference mode which returns the top recommendation and in a "clinical
decision support (CDS)" inference mode which returns up to 10 protocols for
radiologist review. The accuracy of each protocol recommendation was computed
and analyzed based on the difference between the normalized output score of the
corresponding neural net for the top two recommendations.
Results: The top predicted protocol in AP mode was correct for 82.8%, 73.8%,
and 69.3% of the test cases for "General", "ACR", and "Local" protocol classes,
respectively. Higher levels of accuracy over 96% were obtained for all protocol
classes in CDS mode. However, at current validation performance levels, the
proposed models offer modest, positive, financial impact on large-scale imaging
networks.
Conclusions: DL-based protocol automation is feasible and can be tuned to
route substantial fractions of exams for auto-protocoling, with higher accuracy
with more general protocols. Economic analyses of the tested algorithms
indicate that improved algorithm performance is required to yield a practical
exam auto-protocoling tool for sub-specialized imaging exams.
- Abstract（参考訳）: 目的: 自然言語処理 (NLP) とディープラーニング (DL) を用いたMRI検査において, 自動順序ベースのプロトコル割り当ての有効性と効果について検討した。
方法: NLP ツールは 116,000 以上のMRI 試験から 200 種類の部分特殊化プロトコル (ローカルプロトコルクラス) を振り返り処理するために適用された。
分離したdlモデルは、"ローカル"プロトコルおよび93のamerican college of radiology(acr)プロトコルおよび48の"general"プロトコルで処理されたデータの70\%で訓練された。
dlモデルは"auto-protocoling (ap)"推論モードで評価され、トップレコメンデーションを返し、"clinical decision support (cds)"推論モードでは放射線科医のレビューのために最大10のプロトコルを返す。
各プロトコルレコメンデーションの精度を計算し、上位2つのレコメンデーションに対して対応するニューラルネットワークの正規化出力スコアの差に基づいて解析した。
結果:apモードにおける上位予測プロトコルはそれぞれ82.8%,73.8%,69.3%の"general","acr","local"プロトコルクラスで正しかった。
CDSモードでは,全てのプロトコルクラスに対して96%以上の精度が得られた。
しかし、現在の検証性能レベルでは、提案されたモデルは、大規模イメージングネットワークに控えめで、ポジティブで、経済的に影響を及ぼす。
結論: dlベースのプロトコル自動化は実現可能であり、より一般的なプロトコルで高い精度で、自動プロトコリングのための試験のかなりの一部をルートするように調整できる。
テストアルゴリズムの経済分析から, アルゴリズム性能の向上が, サブスペシャライズド画像検診における実用的オートプロトコールツールの確立に必要であることが示唆された。
関連論文リスト
- Leveraging Machine Learning and Deep Learning Techniques for Improved Pathological Staging of Prostate Cancer [0.4660328753262075]
本研究は,PCaの病的ステージング予測を改善するために,機械学習と深層学習のアプローチと特徴選択と抽出手法を活用する。
ランダムフォレスト(RF)、ロジスティック回帰(LR)、エクストリームグラディエントブースティング(XGB)、サポートベクターマシン(SVM)などの高度なアルゴリズムを用いて486腫瘍の遺伝子発現プロファイルを解析した。
その結果、最も高いF1スコア(約83%)はランダムフォレストアルゴリズムによって達成されたことが明らかとなった。
論文 参考訳（メタデータ） (2025-02-13T14:53:09Z) - Automatic State Machine Inference for Binary Protocol Reverse Engineering [20.35198277628804]
未知プロトコルのための自動PSM推論フレームワークを提案する。
プロトコル状態とそれらの状態間の遷移条件を推論する確率的PSMアルゴリズムを改良する。
実験の結果,既存の Pre 手法と比較して,提案手法はプロトコルのより正確な分類を可能にしつつ PSM を推論できることがわかった。
論文 参考訳（メタデータ） (2024-12-03T16:33:17Z) - Automated classification of multi-parametric body MRI series [7.039977392090069]
我々は,mpMRI研究において,8種類の異なるシリーズのタイプを分類する自動フレームワークを提案する。
我々は3つのシーメンススキャナーによって取得された1,363個の研究を用いて、5倍のクロスバリデーションを持つDenseNet-121モデルを訓練した。
平均精度は96.6%,感度は96.6%,特異性は99.6%,F1スコアは96.6%であった。
論文 参考訳（メタデータ） (2024-05-14T00:39:21Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation [0.9498643829295902]
MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
論文 参考訳（メタデータ） (2021-12-01T17:16:41Z) - 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) - How much progress have we made in neural network training? A New
Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。
評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。
次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
論文 参考訳（メタデータ） (2020-10-19T21:46:39Z) - Automatic Assignment of Radiology Examination Protocols Using
Pre-trained Language Models with Knowledge Distillation [0.8029049649310211]
本稿では,コンピュータ断層検査にプロトコルを自動割り当てる深層学習手法を提案する。
データ拡張を通じてマイノリティクラスをアップサンプリングする知識蒸留手法を用いた。
知識蒸留はマイノリティクラス全体の性能を改善し、F1スコアは0.66である。
論文 参考訳（メタデータ） (2020-09-01T20:57:41Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。