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
- Cluster-Induced Mask Transformers for Effective Opportunistic Gastric
Cancer Screening on Non-contrast CT Scans [38.46196471197819]
世界第3位の死因は胃癌である。
既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。
マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
論文 参考訳(メタデータ) (2023-07-10T12:49:36Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - 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) - 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) - A novel framework based on deep learning and ANOVA feature selection
method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。
最もアクセスしやすい方法はRT-PCRである。
RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。
DenseNet169はX線画像から特徴を抽出するために使用された。
論文 参考訳(メタデータ) (2021-09-30T16:10:31Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images [4.457871213347773]
本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
論文 参考訳(メタデータ) (2020-11-25T20:58:27Z) - 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) - 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。