論文の概要: A bone suppression model ensemble to improve COVID-19 detection in chest X-rays

• arxiv url: http://arxiv.org/abs/2111.03404v1
• Date: Fri, 5 Nov 2021 11:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-08 15:41:39.389480
• Title: A bone suppression model ensemble to improve COVID-19 detection in chest X-rays
• Title（参考訳）: 胸部x線におけるcovid-19検出を改善する骨抑制モデル
• Authors: Sivaramakrishnan Rajaraman, Gregg Cohen, Les folio, and Sameer Antani
• Abstract要約: 我々は,前頭部胸部X線像の骨を抑制するために,畳み込みニューラルネットワークモデルのアンサンブルを構築することを提案する。 骨抑制モデルでは,MS-SSIMなどの指標で個々のモデルよりも優れた性能を示した。 CXRモダリティ特異的分類モデルは、非骨抑制および骨抑制画像に基づいて再訓練され、正常な肺または他のCOVID-19様の徴候を示すものとして分類される。
• 参考スコア（独自算出の注目度）: 0.6999740786886535
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Chest X-ray (CXR) is a widely performed radiology examination that helps to detect abnormalities in the tissues and organs in the thoracic cavity. Detecting pulmonary abnormalities like COVID-19 may become difficult due to that they are obscured by the presence of bony structures like the ribs and the clavicles, thereby resulting in screening/diagnostic misinterpretations. Automated bone suppression methods would help suppress these bony structures and increase soft tissue visibility. In this study, we propose to build an ensemble of convolutional neural network models to suppress bones in frontal CXRs, improve classification performance, and reduce interpretation errors related to COVID-19 detection. The ensemble is constructed by (i) measuring the multi-scale structural similarity index (MS-SSIM) score between the sub-blocks of the bone-suppressed image predicted by each of the top-3 performing bone-suppression models and the corresponding sub-blocks of its respective ground truth soft-tissue image, and (ii) performing a majority voting of the MS-SSIM score computed in each sub-block to identify the sub-block with the maximum MS-SSIM score and use it in constructing the final bone-suppressed image. We empirically determine the sub-block size that delivers superior bone suppression performance. It is observed that the bone suppression model ensemble outperformed the individual models in terms of MS-SSIM and other metrics. A CXR modality-specific classification model is retrained and evaluated on the non-bone-suppressed and bone-suppressed images to classify them as showing normal lungs or other COVID-19-like manifestations. We observed that the bone-suppressed model training significantly outperformed the model trained on non-bone-suppressed images toward detecting COVID-19 manifestations.
• Abstract（参考訳）: 胸部X線(Chest X-ray, CXR)は胸腔内の組織や臓器の異常を検出する放射線検査である。 新型コロナウイルスなどの肺の異常の検出は、リブや鎖骨などの骨構造がみつからないため困難になり、スクリーニングや診断の誤認が生じる。 骨の自動抑制は骨構造を抑制し、軟部組織の可視性を高めるのに役立つ。 本研究では,前頭部CXRの骨の抑制,分類性能の向上,COVID-19検出に関する解釈誤りの低減を目的とした畳み込みニューラルネットワークモデルの構築を提案する。 アンサンブルは建設されています 一 トップ3の骨圧縮モデルにより予測される骨抑制画像のサブブロックと、その各接地真実軟部画像の対応するサブブロックとのマルチスケール構造類似度指数(MS-SSIM)のスコアを測定し、 2) 各サブブロックで計算されたMS-SSIMスコアの多数投票を行い、最大MS-SSIMスコアでサブブロックを識別し、最終的な骨抑制画像の構築に使用する。 骨抑制性能に優れたサブブロックサイズを実験的に決定する。 骨抑制モデルでは,MS-SSIMなどの指標で個々のモデルよりも優れた性能を示した。 cxr様相特異的分類モデルは、非骨抑制画像および骨抑制画像上で再訓練され、正常肺または他のcovid-19様症状を示すと分類される。 骨抑制型モデルトレーニングは,非骨抑制型画像で訓練されたモデルを大きく上回り,covid-19症状の検出に寄与した。

関連論文リスト

• BLS-GAN: A Deep Layer Separation Framework for Eliminating Bone Overlap in Conventional Radiographs [4.295284976294471]
  従来のX線写真では、骨の重なり合いが一般的であり、骨特性の正確な評価を妨げる可能性がある。 本研究は,高品質な骨層画像を生成する骨層分離GAN(BLS-GAN)フレームワークを提案する。 生成された画像はビジュアルチューリングテストに合格し、下流タスクのパフォーマンスが向上した。
  論文  参考訳（メタデータ） (2024-09-11T14:34:17Z)
• BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models from Chest X-Ray Images [21.19843479423806]
  胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。 肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。 骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。 本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
  論文  参考訳（メタデータ） (2023-11-26T15:13:13Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• GAN-based disentanglement learning for chest X-ray rib suppression [12.158957925558296]
  本稿では,リブ抑圧GAN(RSGAN)と呼ばれる,GANをベースとしたアンタングル学習フレームワークを提案する。 我々は,CXRと対応するリブ抑制結果の強度差を特徴付けるために残差写像を用いる。 我々は,1,673個のCTボリュームと4つのベンチマークCXRデータセットに基づいて,120K以上の画像を対象とした広範囲な実験を行った。
  論文  参考訳（メタデータ） (2021-10-18T09:39:53Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Improved TB classification using bone-suppressed chest radiographs [0.6999740786886535]
  リブや鎖骨などの骨構造の存在は、診断エラーにつながる微妙な異常を隠すことができます。 本研究の目的は, 胸部x線中の骨構造を同定し除去する, 深層学習(dl)に基づく骨抑制モデルの構築である。 骨圧CXRで訓練されたモデルが非骨圧CXRで訓練されたモデルを大幅に上回ることが観察された。
  論文  参考訳（メタデータ） (2021-04-09T17:58:25Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• 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。