論文の概要: Fracture Detection in Wrist X-ray Images Using Deep Learning-Based
Object Detection Models
- arxiv url: http://arxiv.org/abs/2111.07355v1
- Date: Sun, 14 Nov 2021 14:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 08:56:46.684780
- Title: Fracture Detection in Wrist X-ray Images Using Deep Learning-Based
Object Detection Models
- Title（参考訳）: 深層学習に基づく物体検出モデルを用いた手首x線画像の骨折検出
- Authors: F{\i}rat Hardala\c{c}, Fatih Uysal, Ozan Peker, Murat
\c{C}i\c{c}eklida\u{g}, Tolga Tolunay, Nil Tokg\"oz, U\u{g}urhan Kutbay,
Boran Demirciler and Fatih Mert
- Abstract要約: 本研究の目的は,手首X線画像の深部学習によるフラクチャー検出である。
その結果, WFD_Cモデルでは, 26種類の骨折が検出され, 平均精度が0.8639であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wrist fractures are common cases in hospitals, particularly in emergency
services. Physicians need images from various medical devices, and patients
medical history and physical examination to diagnose these fractures correctly
and apply proper treatment. This study aims to perform fracture detection using
deep learning on wrist Xray images to assist physicians not specialized in the
field, working in emergency services in particular, in diagnosis of fractures.
For this purpose, 20 different detection procedures were performed using deep
learning based object detection models on dataset of wrist Xray images obtained
from Gazi University Hospital. DCN, Dynamic R_CNN, Faster R_CNN, FSAF, Libra
R_CNN, PAA, RetinaNet, RegNet and SABL deep learning based object detection
models with various backbones were used herein. To further improve detection
procedures in the study, 5 different ensemble models were developed, which were
later used to reform an ensemble model to develop a detection model unique to
our study, titled wrist fracture detection combo (WFD_C). Based on detection of
26 different fractures in total, the highest result of detection was 0.8639
average precision (AP50) in WFD_C model developed. This study is supported by
Huawei Turkey R&D Center within the scope of the ongoing cooperation project
coded 071813 among Gazi University, Huawei and Medskor.
- Abstract（参考訳）: 手首骨折は病院、特に救急サービスでよく発生する。
医師は様々な医療機器の画像を必要としており、患者はこれらの骨折を正しく診断し、適切な治療を施す。
本研究の目的は,手首X線画像の深部学習による骨折検出を行うことであり,特に救急医療における治療,特に骨折の診断を支援することである。
この目的のために, ガジ大学病院から得られた手首x線画像のデータセット上で, 深層学習に基づく物体検出モデルを用いて20種類の異なる検出手順を行った。
DCN, Dynamic R_CNN, Faster R_CNN, FSAF, Libra R_CNN, PAA, RetinaNet, RegNet, SABLといった様々なバックボーンを持つディープラーニングに基づくオブジェクト検出モデルを用いた。
さらに,本研究では,5種類のアンサンブルモデルを開発し,その後,アンサンブルモデルを改良し,手首骨折検出コンボ(WFD_C)と題する本研究特有の検出モデルを開発した。
26の異なる骨折が検出された結果, wfd_cモデルでは, 0.8639 平均精度 (ap50) が得られた。
この研究は、Gazi University、Huawei、Medskorの協力プロジェクト071813の範囲内でHuawei Turkey R&D Centerが支援している。
関連論文リスト
- Towards Enhanced Analysis of Lung Cancer Lesions in EBUS-TBNA -- A Semi-Supervised Video Object Detection Method [0.0]
本研究は, 子宮内膜超音波(EBUS)を用いた肺病変のコンピュータ診断システムの構築を目的とする。
これまでの研究では、EBUS-TBNAへのオブジェクト検出モデルの適用が不足していた。
論文 参考訳（メタデータ） (2024-04-02T13:23:21Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - MUSCLE: Multi-task Self-supervised Continual Learning to Pre-train Deep
Models for X-ray Images of Multiple Body Parts [63.30352394004674]
MUSCLE(Multi-task Self-super-vised Continual Learning)は、医用画像処理タスクのための、新しい自己教師付き事前学習パイプラインである。
MUSCLEは、複数の身体部分から収集したX線を集約して表現学習を行い、よく設計された連続学習手順を採用する。
肺炎分類,骨格異常分類,肺セグメンテーション,結核(TB)検出など,9つの実世界のX線データセットを用いてMUSCLEを評価する。
論文 参考訳（メタデータ） (2023-10-03T12:19:19Z) - Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。
提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-05-20T03:12:23Z) - Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8
Algorithm [0.2797210504706914]
我々は,小児手首外傷X線データセット上でのYOLOv8アルゴリズムのモデル性能を向上させるためにデータ拡張を利用する。
実験結果から,本モデルが平均精度(mAP 50)に到達したことが明らかとなった。
小児手関節外傷X線画像の骨折検出に外科医が利用できるように, YOLOv8 App を用いたフラクチャー検出法を考案した。
論文 参考訳（メタデータ） (2023-04-11T09:08:09Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Development of the algorithm for differentiating bone metastases and
trauma of the ribs in bone scintigraphy and demonstration of visual evidence
of the algorithm -- Using only anterior bone scan view of thorax [0.0]
骨シンチグラフィーの胸骨前部像のみを用いて骨転移と外傷のリブの蓄積を判定するAIモデルの報告はない。
胸骨前部CT像のみを用いて骨転移・外傷と診断し,診断するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-30T23:55:31Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - 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) - Local Adaptation Improves Accuracy of Deep Learning Model for Automated
X-Ray Thoracic Disease Detection : A Thai Study [0.0]
本研究では421,859個の局所胸部X線写真を用いて,胸部疾患自動検出のためのディープラーニングアルゴリズムの開発と試験を行った。
コンボリューションニューラルネットワークは, 胸部X線上の13の異常条件を検出することで, 顕著な性能を発揮することが示唆された。
本稿では,CXR異常検出のための最先端モデルを提案する。
論文 参考訳（メタデータ） (2020-04-23T05:25:26Z) - A Computer-Aided Diagnosis System Using Artificial Intelligence for Hip
Fractures -Multi-Institutional Joint Development Research- [12.529791744398596]
我々は,複数のセンターで収集した大規模なデータセットに基づいて学習した深層学習モデルを用いて,平面前頭部X線に対するコンピュータ支援診断システムを開発した。
学習モデルの診断精度は96.1%、感度95.2%、特異度96.9%、F値0.961、AUC 0.99である。
論文 参考訳（メタデータ） (2020-03-11T11:16:39Z)
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。