論文の概要: Classifications of Skull Fractures using CT Scan Images via CNN with
Lazy Learning Approach
- arxiv url: http://arxiv.org/abs/2203.10786v1
- Date: Mon, 21 Mar 2022 08:01:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 01:17:58.703358
- Title: Classifications of Skull Fractures using CT Scan Images via CNN with
Lazy Learning Approach
- Title（参考訳）: 遅延学習法によるctスキャン画像を用いた頭蓋骨骨折の分類
- Authors: Md Moniruzzaman Emon, Tareque Rahman Ornob and Moqsadur Rahman
- Abstract要約: 特徴抽出と遅延学習にCNNを活用することで,新しいCNNを含むSkullNetV1というモデルを提案する。
提案モデルの精度は88%,F1スコア93%,AUC(Area Under the Curve)0.89～0.98,ハミングスコア92%,ハミング損失0.04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: Classification of skull fracture is a challenging task for both radiologists
and researchers. Skull fractures result in broken pieces of bone, which can cut
into the brain and cause bleeding and other injury types. So it is vital to
detect and classify the fracture very early. In real world, often fractures
occur at multiple sites. This makes it harder to detect the fracture type where
many fracture types might summarize a skull fracture. Unfortunately, manual
detection of skull fracture and the classification process is time-consuming,
threatening a patient's life. Because of the emergence of deep learning, this
process could be automated. Convolutional Neural Networks (CNNs) are the most
widely used deep learning models for image categorization because they deliver
high accuracy and outstanding outcomes compared to other models. We propose a
new model called SkullNetV1 comprising a novel CNN by taking advantage of CNN
for feature extraction and lazy learning approach which acts as a classifier
for classification of skull fractures from brain CT images to classify five
fracture types. Our suggested model achieved a subset accuracy of 88%, an F1
score of 93%, the Area Under the Curve (AUC) of 0.89 to 0.98, a Hamming score
of 92% and a Hamming loss of 0.04 for this seven-class multi-labeled
classification.
- Abstract（参考訳）: 頭蓋骨骨折の分類は放射線科医と研究者の両方にとって困難な課題である。
肩甲骨骨折は骨の破片を骨折させ、脳に切り込み、出血やその他の怪我を引き起こす。
そのため、骨折の早期発見と分類は極めて重要である。
現実の世界では、しばしば複数の場所で骨折が起こる。
これにより、多くの骨折タイプが頭蓋骨骨折を要約する骨折タイプを検出するのが難しくなる。
残念なことに、手動による頭蓋骨骨折の検出と分類プロセスは時間がかかり、患者の命を脅かす。
ディープラーニングの出現により、このプロセスは自動化される可能性がある。
畳み込みニューラルネットワーク(CNN)は、画像分類において最も広く使われているディープラーニングモデルである。
我々は,脳CT画像から頭蓋骨骨折を分類し,5種類の骨折を分類するための分類器として機能する特徴抽出と遅延学習にCNNを活用することにより,新しいCNNを含むSkullNetV1と呼ばれるモデルを提案する。
提案モデルの精度は88%,F1スコア93%,AUC(Area Under the Curve)0.89～0.98,ハミングスコア92%,ハミング損失0.04であった。
関連論文リスト
- 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) - Faint Features Tell: Automatic Vertebrae Fracture Screening Assisted by
Contrastive Learning [11.944282446506396]
長期の脊椎骨折は患者の生活の質に深刻な影響を与え、気胸、腰椎変形、さらには麻痺を引き起こしている。
特に、深層学習モデルや経験の浅い医師では、軽度の骨折と正常なコントロールを区別することは極めて困難である。
そこで本研究では,CTスキャンを用いてGenentの脊椎骨折度を推定するための教師付きコントラスト学習ベースモデルを提案する。
両分類では99%,感度は85%,マクロF1は77%であった。
論文 参考訳（メタデータ） (2022-08-23T02:39:08Z) - Predicting skull fractures via CNN with classification algorithms [0.0]
ResNet50は、頭蓋骨の骨折を脳のCTスキャンから3つの骨折カテゴリに分類するために開発された。
F1スコアは96%、ハミングスコアは95%、バランスドスコアは94%、OC AUC曲線は96%であった。
論文 参考訳（メタデータ） (2022-08-14T01:37:23Z) - Interpretable Vertebral Fracture Quantification via Anchor-Free
Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2022-04-14T08:31:25Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳（メタデータ） (2020-08-18T10:03:45Z) - Keypoints Localization for Joint Vertebra Detection and Fracture
Severity Quantification [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2020-05-25T08:05:27Z)
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。