Fugu-MT 論文翻訳(概要): The Role of Pleura and Adipose in Lung Ultrasound AI

論文の概要: The Role of Pleura and Adipose in Lung Ultrasound AI

arxiv url: http://arxiv.org/abs/2201.07368v1
Date: Wed, 19 Jan 2022 00:46:56 GMT
ステータス: 処理完了
システム内更新日: 2022-01-20 14:57:35.939958
Title: The Role of Pleura and Adipose in Lung Ultrasound AI
Title（参考訳）: 肺超音波AIにおけるPleuraとAdiposeの役割
Authors: Gautam Rajendrakumar Gare, Wanwen Chen, Alex Ling Yu Hung, Edward Chen, Hai V. Tran, Tom Fox, Pete Lowery, Kevin Zamora, Bennett P deBoisblanc, Ricardo Luis Rodriguez, John Michael Galeotti
Abstract要約: HFL超音波プローブを用いて胸膜と脂肪組織の診断能を比較した。トレーニングと推論中に脂肪組織をマスキングすることで、AIモデルの診断精度が向上した。
参考スコア（独自算出の注目度）: 0.03323071070648641
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we study the significance of the pleura and adipose tissue in lung ultrasound AI analysis. We highlight their more prominent appearance when using high-frequency linear (HFL) instead of curvilinear ultrasound probes, showing HFL reveals better pleura detail. We compare the diagnostic utility of the pleura and adipose tissue using an HFL ultrasound probe. Masking the adipose tissue during training and inference (while retaining the pleural line and Merlin's space artifacts such as A-lines and B-lines) improved the AI model's diagnostic accuracy.
Abstract（参考訳）: 本稿では,肺超音波AI解析における胸膜および脂肪組織の重要性について検討する。曲線型超音波プローブの代わりに高周波リニア(hfl)を使用する場合,より顕著に現れることを示し,より詳細な胸膜像を示す。 hfl超音波プローブを用いて胸膜組織と脂肪組織の診断的有用性を比較した。トレーニングと推論中に脂肪組織をマスキングする(胸腔線とA線やB線のようなメルリンの空間アーティファクトを保持する)ことで、AIモデルの診断精度が向上した。

関連論文リスト

The automatic detection of lumber anatomy in epidural injections for ultrasound guidance [0.16385815610837165]
ラマー・ダグラス・ペッカー法とハフ変換を併用した形態素に基づく骨の伸長・検出法を提案する。提案アルゴリズムは, 人工骨と実骨の超音波画像を用いて実験を行った。提案手法は, 椎骨の対角形状とそれに対応する硬膜外深さを高速に検出できることが示唆された。
論文参考訳（メタデータ） (2023-12-07T20:11:36Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
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)
Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文参考訳（メタデータ） (2022-03-23T00:58:27Z)
B-line Detection in Lung Ultrasound Videos: Cartesian vs Polar Representation [0.6775616141339018]
肺の異常を評価する集中治療ユニット(ICU)では,肺超音波(LUS)画像が普及している。 B線アーチファクトはLUS画像に現れてすぐに消え、手動による検出は非常に困難である。本稿では,LUSビデオ中のB線を自動的に検出するConvolutional+LSTMモデルを提案する。
論文参考訳（メタデータ） (2021-07-26T15:59:56Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
An interpretable object detection based model for the diagnosis of neonatal lung diseases using Ultrasound images [0.0]
肺超音波(LUS)は新生児のさまざまな肺疾患の診断とモニタリングにますます利用されている。異なる呼吸器疾患で見られる混合アーティファクトパターンは、オペレーターによるLUS可読性を制限する可能性がある。そこで本研究では,特定の肺疾患と容易に関連付けることのできる7つの意義あるLUS特徴を抽出するためのユニークなアプローチを提案する。
論文参考訳（メタデータ） (2021-05-21T01:12:35Z)
Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文参考訳（メタデータ） (2021-04-05T13:15:22Z)
Automatic Detection of B-lines in Lung Ultrasound Videos From Severe Dengue Patients [0.6775616141339018]
本稿では,肺超音波(LUS)ビデオ中のB線を自動的に検出し,局所化する手法を提案する。畳み込みニューラルネットワーク(CNN)と長期記憶(LSTM)ネットワークと時間的注意機構を組み合わせる。ベストモデルでは、F1スコア0.81の1秒クリップがB線を含むか否かを判定し、87.5%の精度でB線で代表フレームを抽出する。
論文参考訳（メタデータ） (2021-02-01T18:49:23Z)
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)

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。