論文の概要: MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation
- arxiv url: http://arxiv.org/abs/2112.00661v1
- Date: Wed, 1 Dec 2021 17:16:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 13:56:10.055272
- Title: MOMO -- Deep Learning-driven classification of external DICOM studies
for PACS archivation
- Title（参考訳）: MOMO -- PACSアーカイブのための外部DICOM研究のディープラーニングによる分類
- Authors: Frederic Jonske, Maximilian Dederichs, Moon-Sung Kim, Jan Egger, Lale
Umutlu, Michael Forsting, Felix Nensa, Jens Kleesiek
- Abstract要約: MOMO(Modality Mapping and Orchestration)は、このマッピングプロセスを自動化するためのディープラーニングベースのアプローチである。
既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
MOMOは精度の大きなマージンと予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回る。
- 参考スコア（独自算出の注目度）: 0.9498643829295902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patients regularly continue assessment or treatment in other facilities than
they began them in, receiving their previous imaging studies as a CD-ROM and
requiring clinical staff at the new hospital to import these studies into their
local database. However, between different facilities, standards for
nomenclature, contents, or even medical procedures may vary, often requiring
human intervention to accurately classify the received studies in the context
of the recipient hospital's standards. In this study, the authors present MOMO
(MOdality Mapping and Orchestration), a deep learning-based approach to
automate this mapping process utilizing metadata substring matching and a
neural network ensemble, which is trained to recognize the 76 most common
imaging studies across seven different modalities. A retrospective study is
performed to measure the accuracy that this algorithm can provide. To this end,
a set of 11,934 imaging series with existing labels was retrieved from the
local hospital's PACS database to train the neural networks. A set of 843
completely anonymized external studies was hand-labeled to assess the
performance of our algorithm. Additionally, an ablation study was performed to
measure the performance impact of the network ensemble in the algorithm, and a
comparative performance test with a commercial product was conducted. In
comparison to a commercial product (96.20% predictive power, 82.86% accuracy,
1.36% minor errors), a neural network ensemble alone performs the
classification task with less accuracy (99.05% predictive power, 72.69%
accuracy, 10.3% minor errors). However, MOMO outperforms either by a large
margin in accuracy and with increased predictive power (99.29% predictive
power, 92.71% accuracy, 2.63% minor errors).
- Abstract（参考訳）: 患者は、CD-ROMとして以前の画像研究を受け、新しい病院の臨床スタッフに、これらの研究を地元のデータベースにインポートするよう要求するなど、他の施設で定期的に評価や治療を継続する。
しかし、異なる施設間では、命名法、内容、さらには医療処置の基準は様々であり、受講者の病院の基準の文脈において、受講した研究を正確に分類するために、しばしば人間の介入を必要とする。
本研究では,メタデータのサブストリングマッチングとニューラルネットワークアンサンブルを用いて,7つの異なるモダリティを用いた76の一般的なイメージング研究を認識するようにトレーニングした,ディープラーニングに基づくアプローチであるmomo(modality mapping and orchestration)を提案する。
このアルゴリズムが提供できる精度を測定するために、振り返り研究が行われる。
この目的のために、既存のラベルを持つ11,934個の画像シリーズが、地元の病院のPACSデータベースから検索され、ニューラルネットワークを訓練した。
843の完全匿名化外部研究を手作業で実施し,アルゴリズムの性能評価を行った。
さらに,アルゴリズムにおけるネットワークアンサンブルの性能への影響を測定するため,アブレーション実験を行い,商用製品との比較評価を行った。
商用製品(96.20%の予測能力、82.86%の精度、1.36%のマイナーエラー)と比較して、ニューラルネットワークアンサンブルだけで、精度の低い分類タスクを実行する(99.05%の予測能力、72.69%の精度、10.3%のマイナーエラー)。
しかし、MOMOは高い精度と予測力(99.29%の予測力、92.71%の精度、2.63%のマイナーエラー)で上回っている。
関連論文リスト
- Segmentation of Mental Foramen in Orthopantomographs: A Deep Learning Approach [1.9193578733126382]
本研究の目的は, 歯科医療における歯科処置の促進, 患者ケアの増大, 医療効率の向上である。
本研究では、深層学習法を用いて、パノラマ画像からメンタルフォアメンを正確に検出し、分類した。
論文 参考訳（メタデータ） (2024-08-08T21:40:06Z) - Bridging AI and Clinical Practice: Integrating Automated Sleep Scoring
Algorithm with Uncertainty-Guided Physician Review [0.0]
本研究は,不確実性推定手法を取り入れた自動睡眠検査アルゴリズムの臨床的有用性を高めることを目的とする。
13のオープンアクセスデータベースからの合計19578のPSGを使用して、最先端の睡眠スコアアルゴリズムであるU-Sleepをトレーニングした。
論文 参考訳（メタデータ） (2023-12-22T15:58:09Z) - Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T21:53:40Z) - SSL-CPCD: Self-supervised learning with composite pretext-class
discrimination for improved generalisability in endoscopic image analysis [3.1542695050861544]
深層学習に基づく教師付き手法は医用画像解析において広く普及している。
大量のトレーニングデータと、目に見えないデータセットに対する一般的な問題に直面する必要がある。
本稿では,加法的角マージンを用いたパッチレベルのインスタンスグループ識別とクラス間変動のペナル化について検討する。
論文 参考訳（メタデータ） (2023-05-31T21:28:08Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳（メタデータ） (2023-04-18T10:14:45Z) - 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) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Deep Learning Based Classification of Unsegmented Phonocardiogram
Spectrograms Leveraging Transfer Learning [0.0]
心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。
PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。
本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
論文 参考訳（メタデータ） (2020-12-15T16:32:29Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and
Infection Segmentation [28.437504408773147]
肺と感染症のセグメンテーションのための3つのベンチマークを構築した。
異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。
平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
論文 参考訳（メタデータ） (2020-04-27T01:31:48Z)
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。