論文の概要: Gastric Cancer Detection from X-ray Images Using Effective Data
Augmentation and Hard Boundary Box Training
- arxiv url: http://arxiv.org/abs/2108.08158v1
- Date: Wed, 18 Aug 2021 14:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 14:29:42.763187
- Title: Gastric Cancer Detection from X-ray Images Using Effective Data
Augmentation and Hard Boundary Box Training
- Title(参考訳): 有効データ拡張とハードバウンダリボックストレーニングを用いたX線画像からの胃癌検出
- Authors: Hideaki Okamoto, Takakiyo Nomura, Kazuhito Nabeshima, Jun Hashimoto,
Hitoshi Iyatomi
- Abstract要約: 胃X線像の診断精度は85%と低い。
本稿では,X線画像から胃癌部位を高精度に検出する診断支援手法を提案する。
- 参考スコア(独自算出の注目度): 3.1498833540989413
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: X-ray examination is suitable for screening of gastric cancer. Compared to
endoscopy, which can only be performed by doctors, X-ray imaging can also be
performed by radiographers, and thus, can treat more patients. However, the
diagnostic accuracy of gastric radiographs is as low as 85%. To address this
problem, highly accurate and quantitative automated diagnosis using machine
learning needs to be performed. This paper proposes a diagnostic support method
for detecting gastric cancer sites from X-ray images with high accuracy. The
two new technical proposal of the method are (1) stochastic functional gastric
image augmentation (sfGAIA), and (2) hard boundary box training (HBBT). The
former is a probabilistic enhancement of gastric folds in X-ray images based on
medical knowledge, whereas the latter is a recursive retraining technique to
reduce false positives. We use 4,724 gastric radiographs of 145 patients in
clinical practice and evaluate the cancer detection performance of the method
in a patient-based five-group cross-validation. The proposed sfGAIA and HBBT
significantly enhance the performance of the EfficientDet-D7 network by 5.9% in
terms of the F1-score, and our screening method reaches a practical screening
capability for gastric cancer (F1: 57.8%, recall: 90.2%, precision: 42.5%).
- Abstract(参考訳): X線検査は胃癌のスクリーニングに適している。
医師のみが行う内視鏡と比較して、X線撮影は放射線撮影者でも行うことができ、より多くの患者を治療することができる。
しかし, 胃X線像の診断精度は85%以下であった。
この問題に対処するためには,機械学習を用いた高精度かつ定量的な自動診断を行う必要がある。
本稿では,X線画像から胃癌部位を高精度に検出する診断支援手法を提案する。
本手法の2つの新しい技術的提案は,(1)確率関数型胃画像増強(sfGAIA)と(2)ハードバウンダリボックストレーニング(HBBT)である。
前者は医療知識に基づくX線画像における胃折りの確率的増強であり,後者は偽陽性を減少させる再帰的再トレーニング技術である。
臨床では145例の胃X線写真4,724例を使用し,5群クロスバリデーションの診断成績について検討した。
提案した sfGAIA と HBBT は,F1 スコアの5.9% で高効率なDet-D7 ネットワークの性能を著しく向上させ,胃癌のスクリーニング能力(F1:57.8%,リコール:90.2%,精度:42.5%)に到達した。
関連論文リスト
- Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳(メタデータ) (2024-05-23T07:03:38Z) - Breast Histopathology Image Retrieval by Attention-based Adversarially Regularized Variational Graph Autoencoder with Contrastive Learning-Based Feature Extraction [1.48419209885019]
本研究は,乳房組織像検索のための新しいアテンションベース逆正則変分グラフオートエンコーダモデルを提案する。
乳がん組織像の2つの公開データセットを用いて,提案モデルの性能評価を行った。
論文 参考訳(メタデータ) (2024-05-07T11:24:37Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳(メタデータ) (2022-07-13T23:53:09Z) - Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule
Diagnosis [20.510918720980467]
肺がんは世界で最も死亡率が高い。
結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。
モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
論文 参考訳(メタデータ) (2022-04-08T08:21:00Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - 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) - SCALP -- Supervised Contrastive Learning for Cardiopulmonary Disease
Classification and Localization in Chest X-rays using Patient Metadata [10.269187107011934]
そこで我々は,自己監督型コントラストアプローチを教師付き設定に拡張する,エンドツーエンドフレームワークであるSCALPを紹介した。
SCALPは同一患者(陽性キー)から胸部X線を抽出し、異なる患者(陰キー)から胸部X線を分離する
実験により,SCALPは,分類タスクと局所化タスクの両方において,有意な差で既存のベースラインを上回っていることが示された。
論文 参考訳(メタデータ) (2021-10-27T21:38:12Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Review on Computer Vision in Gastric Cancer: Potential Efficient Tools
for Diagnosis [0.0]
本総説は,胃癌に対するコンピュータビジョンの進歩に焦点を当てたものである。
データ生成と拡張の異なる方法が提示される。
より正確な診断とタイムリーな治療を支援するため,分類・分節技術について論じる。
論文 参考訳(メタデータ) (2020-05-17T16:14:15Z)
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。