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/2108.08158v4
- Date: Mon, 26 Aug 2024 06:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 01:41:09.160094
- 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, Quan Huu Cap, Takakiyo Nomura, Kazuhito Nabeshima, Jun Hashimoto, Hitoshi Iyatomi,
- Abstract要約: 提案システムは,90.2%の胃癌に対する感度(SE)を専門家(85.5%)より高い精度で達成する。
検出された5つの候補ボックスのうち2つは癌であり、画像当たり0.01秒の速度で画像を処理しながら高い精度を維持している。
- 参考スコア（独自算出の注目度）: 2.254041925375415
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Endoscopy is widely used to diagnose gastric cancer and has a high diagnostic performance, but it must be performed by a physician, which limits the number of people who can be diagnosed. In contrast, gastric X-rays can be performed by technicians and screen a much larger number of patients, but accurate diagnosis requires experience. We propose an unprecedented and practical gastric cancer diagnosis support system for gastric X-ray images, enabling more people to be screened. The system is based on a general deep learning-based object detection model and incorporates two novel techniques: refined probabilistic stomach image augmentation (R-sGAIA) and hard boundary box training (HBBT). R-sGAIA enhances the probabilistic gastric fold region, providing more learning patterns for cancer detection models. HBBT is an efficient training method that improves model performance by allowing the use of unannotated negative (i.e., healthy control) samples, which are typically unusable in conventional detection models. The proposed system achieves a sensitivity (SE) for gastric cancer of 90.2%, higher than that of an expert (85.5%). Additionally, two out of five detected candidate boxes are cancerous, maintaining high precision while processing images at a speed of 0.51 seconds per image. The system also outperforms methods using the same object detection model and state-of-the-art data augmentation, showing a 5.9-point improvement in the F1 score. In summary, this system efficiently identifies areas for radiologists to examine within a practical timeframe, significantly reducing their workload.
- Abstract（参考訳）: 内視鏡検査は胃癌の診断に広く用いられ、高い診断性能を有するが、医師が行う必要があるため、診断できる人の数を制限する必要がある。
対照的に、胃X線検査は技術者が行うことができ、より多くの患者をスクリーニングすることができるが、正確な診断には経験が必要である。
胃X線画像に対する前例のない,実用的な胃癌診断支援システムを提案する。
このシステムは、一般的なディープラーニングに基づく物体検出モデルに基づいており、改良された確率的胃画像増強(R-sGAIA)とハードバウンダリボックストレーニング(HBBT)という2つの新しい技術が組み込まれている。
R-sGAIAは、確率論的胃の折り畳み領域を強化し、がん検出モデルにより多くの学習パターンを提供する。
HBBTは、通常、従来の検出モデルでは使用できない非注釈陰性(健康的な制御)サンプルを使用することで、モデル性能を向上させる効率的な訓練方法である。
提案システムは, 胃癌に対する感度(SE)が90.2%であり, 専門家の感度(85.5%)よりも高い。
さらに、検出された5つのうち2つが癌であり、画像当たり0.01秒の速度で画像を処理しながら高い精度を維持している。
このシステムは、同じオブジェクト検出モデルと最先端データ拡張を使った手法よりも優れており、F1スコアの5.9ポイント改善を示している。
要約すると, このシステムは, 放射線科医が実用的な時間枠内で検査する領域を効率よく同定し, 作業負荷を大幅に削減する。
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。