論文の概要: On the in vivo recognition of kidney stones using machine learning
- arxiv url: http://arxiv.org/abs/2201.08865v2
- Date: Thu, 24 Aug 2023 21:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 18:20:38.745981
- Title: On the in vivo recognition of kidney stones using machine learning
- Title（参考訳）: 機械学習による腎臓結石の生体内認識について
- Authors: Francisco Lopez-Tiro, Vincent Estrade, Jacques Hubert, Daniel
Flores-Araiza, Miguel Gonzalez-Mendoza, Gilberto Ochoa-Ruiz, Christian Daul
- Abstract要約: 本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。
また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
- 参考スコア（独自算出の注目度）: 1.6273083168563973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Determining the type of kidney stones allows urologists to prescribe a
treatment to avoid recurrence of renal lithiasis. An automated in-vivo
image-based classification method would be an important step towards an
immediate identification of the kidney stone type required as a first phase of
the diagnosis. In the literature it was shown on ex-vivo data (i.e., in very
controlled scene and image acquisition conditions) that an automated kidney
stone classification is indeed feasible. This pilot study compares the kidney
stone recognition performances of six shallow machine learning methods and
three deep-learning architectures which were tested with in-vivo images of the
four most frequent urinary calculi types acquired with an endoscope during
standard ureteroscopies. This contribution details the database construction
and the design of the tested kidney stones classifiers. Even if the best
results were obtained by the Inception v3 architecture (weighted precision,
recall and F1-score of 0.97, 0.98 and 0.97, respectively), it is also shown
that choosing an appropriate colour space and texture features allows a shallow
machine learning method to approach closely the performances of the most
promising deep-learning methods (the XGBoost classifier led to weighted
precision, recall and F1-score values of 0.96). This paper is the first one
that explores the most discriminant features to be extracted from images
acquired during ureteroscopies.
- Abstract（参考訳）: 腎臓結石の種類を決定することで、尿学者は腎結石の再発を避けるための治療を処方することができる。
自動in-vivo画像ベース分類法は,診断の第一段階として必要となる腎臓結石型を即時に同定するための重要なステップとなる。
文献では、前生検データ(すなわち、非常に制御されたシーンと画像取得条件)で、自動腎臓結石分類が実際に実現可能であることが示されている。
本研究は,6つの浅い機械学習手法と3つの深層学習アーキテクチャの腎臓結石認識性能を,尿管内視鏡で取得した尿路結石4種類の生検画像を用いて比較した。
この貢献は、試験された腎臓結石分類器のデータベースの構築と設計について詳述している。
Inception v3アーキテクチャ(それぞれ0.97、0.98、0.97の重み付き精度、リコール、F1スコア)で最高の結果が得られたとしても、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法で最も有望なディープラーニング手法の性能を綿密に評価することができる(XGBoost分類器は重み付き精度、リコール、F1スコア値0.96)。
本論文は尿管スコピックで得られた画像から抽出される最も識別性の高い特徴を探索する最初の論文である。
関連論文リスト
- Evaluating the plausibility of synthetic images for improving automated endoscopic stone recognition [0.9480662172227129]
現在、Morpho-Constitutional Analysis (MCA) は腎臓結石の組織学的診断における事実上のアプローチである。
近年では、内視鏡的石盤認識(ESR)と呼ばれる、そのようなタスクを術中実行することに焦点を当てている。
論文 参考訳（メタデータ） (2024-09-20T11:19:08Z) - Improving Prototypical Parts Abstraction for Case-Based Reasoning Explanations Designed for the Kidney Stone Type Recognition [2.5506430540951763]
尿管鏡による腎結石の同定は、尿学の大きな医学的進歩となる。
近年,尿管鏡画像を用いて腎臓結石のタイプを自動的に認識する深層学習(DL)モデルが提案されている。
このコントリビューションは, 原型部品(PP)を使用し, 局所的および大域的記述子を生成するケースベース推論DLモデルを提案する。
論文 参考訳（メタデータ） (2024-09-19T16:27:32Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Boosting Kidney Stone Identification in Endoscopic Images Using Two-Step
Transfer Learning [0.8431877864777444]
提案手法は,CCDカメラで取得した腎臓結石の画像に基づいて得られた知識を,内視鏡画像から画像を分類する最終モデルに伝達する。
その結果、類似した情報を持つ異なる領域からの学習特徴が、実環境における分類を行うモデルの性能向上に有効であることが示唆された。
論文 参考訳（メタデータ） (2022-10-24T23:22:22Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Interpretable Deep Learning Classifier by Detection of Prototypical
Parts on Kidney Stones Images [0.9236074230806579]
現在、関連する前生検(形態構成分析(MCA)として知られる)は、時間がかかり、高価であり、多くの経験を必要とする。
生体内内視鏡による石の認識のための機械学習手法が開発されている。
提案手法は腎臓結石像の分類を提案し, MCA法と類似した説明を提供する。
論文 参考訳（メタデータ） (2022-06-01T06:32:31Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Assessing deep learning methods for the identification of kidney stones
in endoscopic images [0.0]
腎臓石のタイプ(すなわち生化学組成)を知ることは再発を防ぐために重要である。
尿素コピー中に腎臓結石を断片化し、尿路から抽出し、その組成を形態構成分析を用いて決定する。
本稿では、ディープ畳み込みニューラルネットワーク(DCNN)と従来の(非DCNN)の5つの分類手法について論じ、比較する。
論文 参考訳（メタデータ） (2021-03-01T17:31:01Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z)
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。