論文の概要: VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs
- arxiv url: http://arxiv.org/abs/2106.12930v1
- Date: Thu, 24 Jun 2021 11:45:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-25 23:31:46.191780
- Title: VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs
- Title（参考訳）: VinDr-SpineXR:X線写真からの脊髄病変の検出と分類のためのディープラーニングフレームワーク
- Authors: Hieu T. Nguyen, Hieu H. Pham, Nghia T. Nguyen, Ha Q. Nguyen, Thang Q.
Huynh, Minh Dao, Van Vu
- Abstract要約: 本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
5000件の研究から得られた10,468個の脊椎X線画像からなる大規模なデータセットを構築した。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
- 参考スコア（独自算出の注目度）: 0.812774532310979
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiographs are used as the most important imaging tool for identifying spine
anomalies in clinical practice. The evaluation of spinal bone lesions, however,
is a challenging task for radiologists. This work aims at developing and
evaluating a deep learning-based framework, named VinDr-SpineXR, for the
classification and localization of abnormalities from spine X-rays. First, we
build a large dataset, comprising 10,468 spine X-ray images from 5,000 studies,
each of which is manually annotated by an experienced radiologist with bounding
boxes around abnormal findings in 13 categories. Using this dataset, we then
train a deep learning classifier to determine whether a spine scan is abnormal
and a detector to localize 7 crucial findings amongst the total 13. The
VinDr-SpineXR is evaluated on a test set of 2,078 images from 1,000 studies,
which is kept separate from the training set. It demonstrates an area under the
receiver operating characteristic curve (AUROC) of 88.61% (95% CI 87.19%,
90.02%) for the image-level classification task and a mean average precision
(mAP@0.5) of 33.56% for the lesion-level localization task. These results serve
as a proof of concept and set a baseline for future research in this direction.
To encourage advances, the dataset, codes, and trained deep learning models are
made publicly available.
- Abstract（参考訳）: レントグラフは臨床における脊椎異常の診断に最も重要なイメージングツールである。
しかし,脊椎病変の評価は放射線科医にとって難しい課題である。
本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
まず、5000の研究から得られた10,468個の脊椎x線画像からなる大規模なデータセットを構築し、13のカテゴリで異常な発見の周囲にバウンディングボックスを持つ経験豊富な放射線科医が手作業で注釈を付けます。
このデータセットを用いて、深層学習分類器を訓練し、脊椎スキャンが異常かどうかを判定し、計13のうち7つの重要な所見を局所化する。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
画像レベルの分類タスクでは、受信者の動作特性曲線(auroc)下の領域が88.61%(95% ci 87.19%、90.02%)であり、病変レベルの局所化タスクでは平均平均精度(map@0.5)が33.56%である。
これらの結果は概念の証明となり、この方向における将来の研究のベースラインとなる。
進歩を促進するために、データセット、コード、訓練されたディープラーニングモデルが公開されている。
関連論文リスト
- Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New
Benchmark Study [75.05049024176584]
胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。
我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。
このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
論文 参考訳（メタデータ） (2022-08-29T04:34:15Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - An Accurate and Explainable Deep Learning System Improves Interobserver
Agreement in the Interpretation of Chest Radiograph [0.33598755777055367]
VinDr-CXRは、CXRスキャンを複数の胸腺疾患に分類し、画像上の重要な発見のほとんどをローカライズすることができる。
提案システムにより,Fleiss' Kappa平均の1.5%の増加により,放射線学者間の合意が大幅に改善された。
論文 参考訳（メタデータ） (2022-08-06T17:03:49Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - 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) - COVID-19 Classification of X-ray Images Using Deep Neural Networks [36.99143569437537]
本研究の目的は、新型コロナウイルスの診断のための機械学習モデルの作成と評価である。
機械学習モデルは、事前訓練されたディープラーニングモデル(ReNet50)を使用して構築され、データ拡張と肺分節によって強化された。
精度,感度,受信特性曲線(ROC)と高精度リコール曲線(P-R)を用いて評価した。
論文 参考訳（メタデータ） (2020-10-03T13:57:08Z) - Evaluation of Contemporary Convolutional Neural Network Architectures
for Detecting COVID-19 from Chest Radiographs [0.0]
胸部X線写真解析のための3つのモデルアーキテクチャを,様々な条件下で訓練し,評価した。
本稿では,現代の研究によって提案された印象的なモデル性能を低下させる問題を見いだす。
論文 参考訳（メタデータ） (2020-06-30T15:22:39Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - A neural network model that learns differences in diagnosis strategies
among radiologists has an improved area under the curve for aneurysm status
classification in magnetic resonance angiography image series [0.0]
この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。
画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。
構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
論文 参考訳（メタデータ） (2020-02-03T19:19:57Z)
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。