論文の概要: Seeking an Optimal Approach for Computer-Aided Pulmonary Embolism Detection

• arxiv url: http://arxiv.org/abs/2109.07029v1
• Date: Wed, 15 Sep 2021 00:21:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:53:26.415533
• Title: Seeking an Optimal Approach for Computer-Aided Pulmonary Embolism Detection
• Title（参考訳）: コンピュータ支援肺塞栓症検出のための最適アプローチ
• Authors: Nahid Ul Islam, Shiv Gehlot, Zongwei Zhou, Michael B Gotway, Jianming Liang
• Abstract要約: 肺塞栓症(英: lung embolism、PE)は、肺の血管へ移動し、血管閉塞を引き起こす血栓(血栓)である。 深層学習はPEのコンピュータ支援診断(CAD)に大いに貢献する。
• 参考スコア（独自算出の注目度）: 7.969404878464232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary embolism (PE) represents a thrombus ("blood clot"), usually originating from a lower extremity vein, that travels to the blood vessels in the lung, causing vascular obstruction and in some patients, death. This disorder is commonly diagnosed using CT pulmonary angiography (CTPA). Deep learning holds great promise for the computer-aided CTPA diagnosis (CAD) of PE. However, numerous competing methods for a given task in the deep learning literature exist, causing great confusion regarding the development of a CAD PE system. To address this confusion, we present a comprehensive analysis of competing deep learning methods applicable to PE diagnosis using CTPA at the both image and exam levels. At the image level, we compare convolutional neural networks (CNNs) with vision transformers, and contrast self-supervised learning (SSL) with supervised learning, followed by an evaluation of transfer learning compared with training from scratch. At the exam level, we focus on comparing conventional classification (CC) with multiple instance learning (MIL). Our extensive experiments consistently show: (1) transfer learning consistently boosts performance despite differences between natural images and CT scans, (2) transfer learning with SSL surpasses its supervised counterparts; (3) CNNs outperform vision transformers, which otherwise show satisfactory performance; and (4) CC is, surprisingly, superior to MIL. Compared with the state of the art, our optimal approach provides an AUC gain of 0.2\% and 1.05\% for image-level and exam-level, respectively.
• Abstract（参考訳）: 肺塞栓症(英: lung embolism、PE)は、通常下肢静脈から発生する血栓(血栓)であり、肺の血管へ移動し、血管閉塞を引き起こし、一部の患者では死亡する。 CT肺血管造影(CTPA)で診断されることが多い。 深層学習はPEのコンピュータ支援CTPA診断(CAD)に大いに期待できる。 しかし、深層学習文学における所定のタスクに対する多くの競合する方法が存在しており、cad peシステムの開発に関して大きな混乱を引き起こしている。 この混乱に対処するため,CTPAを用いたPE診断に適用可能なディープラーニング手法を画像レベルと試験レベルで総合的に分析した。 画像レベルでは、畳み込みニューラルネットワーク(cnns)と視覚トランスフォーマーを比較し、コントラスト自己教師付き学習(ssl)と教師付き学習を比較し、さらに、スクラッチからのトレーニングと比較した転送学習の評価を行った。 試験レベルでは,従来の分類(CC)とマルチインスタンス学習(MIL)を比較した。 その結果,(1)自然画像とctスキャンの相違にもかかわらず,トランスファー学習は一貫して性能を向上させ,(2)sslによるトランスファー学習は教師付きトランスフォーマーを上回っており,(3)cnnsは良好な性能を示す視覚トランスフォーマーよりも優れており,(4)ccは驚くべきことにmilよりも優れていることがわかった。 現状と比較すると,最適なアプローチは,画像レベルと試験レベルのそれぞれ0.2\%と1.05\%のAUCゲインを提供する。

関連論文リスト

• Cross-Phase Mutual Learning Framework for Pulmonary Embolism Identification on Non-Contrast CT Scans [7.732867194190985]
  肺塞栓症 (PE) は, 急速かつ正確な診断が困難であるが, 主に非定型的な症状を呈する疾患である。 我々は,CTAからNCTスキャンへの知識伝達を促進する新しいクロスパス・ミューチュアル・ラーニング・フレームワーク (CPMN) を提案する。 CPMNは、NCTスキャンにおける患者レベルの感度と特異性において95.4%と99.6%の顕著な識別性能を達成している。
  論文  参考訳（メタデータ） (2024-07-16T09:29:33Z)
• Class Activation Map-based Weakly supervised Hemorrhage Segmentation using Resnet-LSTM in Non-Contrast Computed Tomography images [0.06269281581001895]
  非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。 ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。 画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:32:19Z)
• Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising [33.706959549595496]
  パッチワイド・ディープ・メトリック・ラーニングを用いた低用量CT再構成のための新しい教師なし学習手法を提案する。 鍵となる考え方は、同じ解剖学的構造を共有するイメージパッチの正のペアを引いて、互いに同じノイズレベルを持つ負のペアをプッシュすることで、埋め込み空間を学習することである。 実験結果から,CT数シフトを伴わない高品質な復号化画像の作成において,深度検定学習が重要な役割を担っていることが確認された。
  論文  参考訳（メタデータ） (2022-07-06T00:58:11Z)
• Computer-Aided Extraction of Select MRI Markers of Cerebral Small Vessel Disease: A Systematic Review [17.021934273900182]
  脳小血管疾患(CSVD)は認知障害の原因となる認知機能障害である。 主観的かつ残酷な視覚的評価のアプローチを置き換えるために、近年の研究では、MRIスキャンからCSVDの画像バイオマーカーを抽出するために最先端の人工知能を適用している。 脳微小血腫 (CMB) , 拡張血管周囲腔 (PVS) , 血管起源と推定されるラキューンの3つの画像バイオマーカーについて, コンピュータ支援による検討を行った。
  論文  参考訳（メタデータ） (2022-04-04T12:01:39Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。