論文の概要: Give me a knee radiograph, I will tell you where the knee joint area is: a deep convolutional neural network adventure

• arxiv url: http://arxiv.org/abs/2202.05382v1
• Date: Fri, 11 Feb 2022 00:46:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 14:44:35.663817
• Title: Give me a knee radiograph, I will tell you where the knee joint area is: a deep convolutional neural network adventure
• Title（参考訳）: 膝のx線写真を見せてください。膝関節領域がどこにあるか教えます。深い畳み込みニューラルネットワークアドベンチャー
• Authors: Shi Yan, Taghi Ramazanian, Elham Sagheb, Walter K. Kremers, Vipin Chaudhary, Michael Taunton, Hilal Maradit Kremers, Ahmad P. Tafti
• Abstract要約: 本研究は, 膝関節領域の自律的検出, 局所化, 分類のための高精度かつ効果的なパイプラインを提案する。 本研究は, 深層学習コンピュータビジョンコミュニティから, この実用的, 臨床的応用へのさらなる関心を喚起することが期待される。
• 参考スコア（独自算出の注目度）: 5.92701972981462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knee pain is undoubtedly the most common musculoskeletal symptom that impairs quality of life, confines mobility and functionality across all ages. Knee pain is clinically evaluated by routine radiographs, where the widespread adoption of radiographic images and their availability at low cost, make them the principle component in the assessment of knee pain and knee pathologies, such as arthritis, trauma, and sport injuries. However, interpretation of the knee radiographs is still highly subjective, and overlapping structures within the radiographs and the large volume of images needing to be analyzed on a daily basis, make interpretation challenging for both naive and experienced practitioners. There is thus a need to implement an artificial intelligence strategy to objectively and automatically interpret knee radiographs, facilitating triage of abnormal radiographs in a timely fashion. The current work proposes an accurate and effective pipeline for autonomous detection, localization, and classification of knee joint area in plain radiographs combining the You Only Look Once (YOLO v3) deep convolutional neural network with a large and fully-annotated knee radiographs dataset. The present work is expected to stimulate more interest from the deep learning computer vision community to this pragmatic and clinical application.
• Abstract（参考訳）: 膝の痛みは、人生の質を損なう最も一般的な筋骨格症状であり、あらゆる年齢にわたって移動性と機能を制限する。 膝の痛みは日常的なx線撮影によって臨床的に評価され、x線画像が広く採用され、安価に利用できるため、関節炎、外傷、スポーツ外傷などの膝の痛みや膝の病理の評価の基本的な要素となっている。 しかし, 膝部X線像の解釈は依然として主観的であり, 放射線像内に重なる構造や, 日常的に解析する必要のある大量の画像は, ナイーブと経験者の双方にとって難しい解釈となっている。 したがって、客観的かつ自動的に膝x線を解釈し、異常x線をタイムリーにトリアージする人工知能戦略を実装する必要がある。 本研究は,you only look once (yolo v3) 深層畳み込みニューラルネットワークと大規模かつ完全アノテーション付き膝x線画像データセットを組み合わせた,平原x線写真における膝関節領域の自律的検出,局在,分類のための高精度かつ効果的なパイプラインを提案する。 本研究は, 深層学習コンピュータビジョンコミュニティから, この実用的, 臨床的応用へのさらなる関心を喚起することが期待される。

関連論文リスト

• Real-Time Model-Based Quantitative Ultrasound and Radar [65.268245109828]
  本稿では,波動伝搬の物理モデルに基づくニューラルネットワークを提案し,受信信号と物理特性の関係を定義した。 我々のネットワークは、複雑で現実的なシナリオのために、1秒未満で複数の物理的特性を再構築することができる。
  論文  参考訳（メタデータ） (2024-02-16T09:09:16Z)
• XrayGPT: Chest Radiographs Summarization using Medical Vision-Language Models [60.437091462613544]
  我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。 胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。 自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
  論文  参考訳（メタデータ） (2023-06-13T17:59:59Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
  本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。 より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。 コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
  論文  参考訳（メタデータ） (2022-10-15T14:05:03Z)
• Knee Cartilage Defect Assessment by Graph Representation and Surface Convolution [40.36360714443767]
  軟骨欠損は変形性膝関節症(OA)の主要な徴候と見なされる 膝関節MRIに畳み込みニューラルネットワーク(CNN)を適用することで膝軟骨欠損の評価に多くの試みがなされている。 軟骨構造と膝関節MRIからの外観をグラフ表現にモデル化し,高度に多様な臨床データを扱うことができる。 そして, 軟骨グラフ表現を用いて, 非ユークリッド深層学習ネットワークを設計し, 局所的およびグローバル的な軟骨の特徴を抽出する。
  論文  参考訳（メタデータ） (2022-01-12T05:55:32Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
  放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。 私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。 本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
  論文  参考訳（メタデータ） (2020-12-04T05:08:53Z)
• A Lightweight CNN and Joint Shape-Joint Space (JS2) Descriptor for Radiological Osteoarthritis Detection [2.3204178451683264]
  関節形状と畳み込みニューラルネットワーク(CNN)に基づく骨テクスチャ機能を組み合わせた,完全自動化された新しい手法を提案する。 以上の結果から,RAC曲線(AUC)95.21%以下のX線学的変形性関節症検出領域において,形状とテクスチャパラメータを融合させることで,最先端の術式が達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-24T10:48:38Z)
• Knee Injury Detection using MRI with Efficiently-Layered Network (ELNet) [1.8374319565577157]
  本稿では,三肢MRIの早期診断に最適化された畳み込みニューラルネットワーク(CNN)アーキテクチャであるELNetを提案する。 提案されたモデルは、非常に軽量($1MB)なので、実際の臨床環境でのトレーニングやデプロイが容易である。
  論文  参考訳（メタデータ） (2020-05-06T10:21:16Z)
• Bone Suppression on Chest Radiographs With Adversarial Learning [21.331378067323573]
  デュアルエネルギー(DE)胸部X線撮影は、2つの臨床的関連物質を選択的に撮像する機能を提供する。 従来のX線写真と骨抑制X線写真とのマッピングを学習する。 本研究は, 患者に配慮したペアとペアの無いX線写真との訓練効果を比較した。
  論文  参考訳（メタデータ） (2020-02-08T02:53:16Z)

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。