論文の概要: Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data
Augmentation and Hard Boundary Box Training
- arxiv url: http://arxiv.org/abs/2108.08158v2
- Date: Thu, 23 Mar 2023 00:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 19:04:59.546533
- Title: Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data
Augmentation and Hard Boundary Box Training
- Title（参考訳）: 補充型確率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線胃癌検診の実際
- Authors: Hideaki Okamoto, Takakiyo Nomura, Kazuhito Nabeshima, Jun Hashimoto,
Hitoshi Iyatomi
- Abstract要約: 胃癌検診では、X線はX線撮影者が行うことができ、内視鏡検査よりも多くの患者を見ることができる。
胃X線の感度は85.5%に過ぎず、胃癌を直接標的とする自動診断補助についてはほとんど研究されていない。
本稿では,現実的な臨床画像撮影条件下でのX線画像の実用的な胃癌検診システムを提案する。
- 参考スコア（独自算出の注目度）: 2.449909275410288
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In gastric cancer screening, X-rays can be performed by radiographers,
allowing them to see far more patients than endoscopy, which can only be
performed by physicians. However, due to subsequent diagnostic difficulties,
the sensitivity of gastric X-ray is only 85.5%, and little research has been
done on automated diagnostic aids that directly target gastric cancer. This
paper proposes a practical gastric cancer screening system for X-ray images
taken under realistic clinical imaging conditions. Our system not only provides
a diagnostic result for each image, but also provides an explanation for the
result by displaying candidate cancer areas with bounding boxes. Training
object detection models to do this was very expensive in terms of assigning
supervised labels, and had the disadvantage of not being able to use negative
(i.e., non-cancer) data for training. Our proposal consists of two novel
techniques: (1) refined stochastic gastric image augmentation (R-sGAIA) and (2)
hard boundary box training (HBBT). The R-sGAIA probabilistically highlights the
gastric folds in the X-ray image based on medical knowledge, thus increasing
the detection efficiency of gastric cancer. The HBBT is a new, efficient, and
versatile training method that can reduce the number of false positive
detections by actively using negative samples. The results showed that the
proposed R-sGAIA and HBBT significantly improved the F1 score by 5.9% compared
to the baseline EfficientDet-D7 + RandAugment (F1: 57.8%, recall: 90.2%,
precision: 42.5%). This score is higher than the physician's cancer detection
rate, indicating that at least 2 out of 5 areas detected are cancerous,
confirming the utility of gastric cancer screening.
- Abstract（参考訳）: 胃癌検診では、x線撮影はx線撮影によって行うことができ、内視鏡検査よりもずっと多くの患者を診ることができる。
しかし、その後診断が困難になったため、胃X線の感度は85.5%に過ぎず、胃癌を直接標的とする自動診断支援についてはほとんど研究されていない。
本稿では,現実的な臨床画像撮影条件下でのX線画像の実用的な胃癌検診システムを提案する。
本システムでは、各画像の診断結果を提供するだけでなく、がん候補領域を境界ボックスで表示することにより、結果の解説を行う。
これを行うための訓練対象検出モデルは、監督されたラベルを割り当てるという点で非常に高価であり、訓練に負のデータ(すなわち非がんデータ)を使えないという欠点があった。
提案手法は,(1)改良型確率的胃画像強調(R-sGAIA)と(2)ハードバウンダリボックストレーニング(HBBT)の2つの新しい手法からなる。
R-sGAIAは医療知識に基づいてX線像の胃折りを確率的に強調し,胃癌の検出効率を高める。
HBBTは、陰性サンプルを積極的に使用することにより、偽陽性検出の回数を減らすことができる、新しい、効率的で汎用的な訓練方法である。
その結果、提案されたR-sGAIAとHBBTは、ベースラインのEfficientDet-D7 + RandAugment(F1:57.8%、リコール:90.2%、精度:42.5%)と比較してF1スコアを5.9%改善した。
このスコアは、医師のがん検出率よりも高く、検出された5領域のうち少なくとも2つは癌であり、胃癌スクリーニングの有用性を確認している。
関連論文リスト
- AttCDCNet: Attention-enhanced Chest Disease Classification using X-Ray Images [0.0]
X線画像診断のための新しい検出モデルtextbfAttCDCNetを提案する。
提案されたモデルは、新型コロナウイルスのラジオグラフィーデータセットでそれぞれ94.94%、95.14%、94.53%の精度、精度、リコールを達成した。
論文 参考訳（メタデータ） (2024-10-20T16:08:20Z) - BreastRegNet: A Deep Learning Framework for Registration of Breast
Faxitron and Histopathology Images [0.05454343470301196]
本研究では,モノモーダル合成画像対に基づいて学習した深層学習に基づく画像登録手法を提案する。
モデルは、ネオアジュバント化学療法を受け、手術を受けた50人の女性のデータを用いて訓練された。
論文 参考訳（メタデータ） (2024-01-18T08:23:29Z) - 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) - 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) - 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。