Fugu-MT 論文翻訳(概要): Phase Recognition in Contrast-Enhanced CT Scans based on Deep Learning and Random Sampling

論文の概要: Phase Recognition in Contrast-Enhanced CT Scans based on Deep Learning and Random Sampling

arxiv url: http://arxiv.org/abs/2203.11206v1
Date: Sun, 20 Mar 2022 18:27:08 GMT
ステータス: 処理完了
システム内更新日: 2022-03-26 06:08:53.998459
Title: Phase Recognition in Contrast-Enhanced CT Scans based on Deep Learning and Random Sampling
Title（参考訳）: 深層学習とランダムサンプリングに基づく造影CTスキャンの位相認識
Authors: Binh T. Dao, Thang V. Nguyen, Hieu H. Pham and Ha Q. Nguyen
Abstract要約: 腹部CTスキャンをコントラスト強調の複数の位相で解釈する完全自動システムでは,その位相を正確に分類する必要がある。本研究の目的は,腹部CTにおける3種類のコントラスト位相を認識するために,高精度で高速な多相分類器を開発し,検証することである。
参考スコア（独自算出の注目度）: 0.3670422696827525
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A fully automated system for interpreting abdominal computed tomography (CT) scans with multiple phases of contrast enhancement requires an accurate classification of the phases. This work aims at developing and validating a precise, fast multi-phase classifier to recognize three main types of contrast phases in abdominal CT scans. We propose in this study a novel method that uses a random sampling mechanism on top of deep CNNs for the phase recognition of abdominal CT scans of four different phases: non-contrast, arterial, venous, and others. The CNNs work as a slice-wise phase prediction, while the random sampling selects input slices for the CNN models. Afterward, majority voting synthesizes the slice-wise results of the CNNs, to provide the final prediction at scan level. Our classifier was trained on 271,426 slices from 830 phase-annotated CT scans, and when combined with majority voting on 30% of slices randomly chosen from each scan, achieved a mean F1-score of 92.09% on our internal test set of 358 scans. The proposed method was also evaluated on 2 external test sets: CTPAC-CCRCC (N = 242) and LiTS (N = 131), which were annotated by our experts. Although a drop in performance has been observed, the model performance remained at a high level of accuracy with a mean F1-score of 76.79% and 86.94% on CTPAC-CCRCC and LiTS datasets, respectively. Our experimental results also showed that the proposed method significantly outperformed the state-of-the-art 3D approaches while requiring less computation time for inference.
Abstract（参考訳）: 腹部CTスキャンをコントラスト強調の複数の位相で解釈する完全自動システムでは,その位相を正確に分類する必要がある。本研究の目的は,腹部CTにおける3種類のコントラスト位相を認識するために,高精度で高速な多相分類器を開発し,検証することである。本研究では,非コントラスト,動脈,静脈などの4段階の腹部CT画像の位相認識に,深部CNNの上にランダムサンプリング機構を用いた新しい手法を提案する。 CNNはスライス的な位相予測として機能し、ランダムサンプリングはCNNモデルの入力スライスを選択する。その後、多数決はCNNのスライスワイズ結果を合成し、スキャンレベルで最終的な予測を提供する。 830個のCT画像から271,426個のスライスを抽出し,各スキャンからランダムに選択したスライス30%に多数投票を行ったところ,内部検査セット358枚に対して平均92.09%のF1スコアを得た。提案法はCTPAC-CCRCC (N = 242) と LiTS (N = 131) の2つの外部試験セットで評価した。性能の低下は観測されているが、モデル性能は、ctpac-ccrccの平均f1-scoreが76.79%、86.94%で、高い精度のままであった。実験結果から,提案手法は従来の3D手法よりも高い性能を示し,推論に要する計算時間が少なくなった。

関連論文リスト

An Explainable Non-local Network for COVID-19 Diagnosis [37.378584156643825]
新型3次元非局所ネットワーク(NL-RAN)を用いて,COVID-19,コモン肺炎,正常などのCT画像の分類を行った。ネットワークにはグローバル情報をキャプチャするための非ローカルモジュールが埋め込まれており、3Dアテンションモジュールは病変の詳細に集中するために埋め込まれている。実験結果から,提案手法は既存手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2024-08-08T08:35:21Z)
Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文参考訳（メタデータ） (2023-01-17T10:39:39Z)
A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。実験の結果、CyTranは競合するすべての手法より優れています。
論文参考訳（メタデータ） (2021-10-12T23:25:03Z)
Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。 N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
論文参考訳（メタデータ） (2021-04-06T06:30:15Z)
A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
論文参考訳（メタデータ） (2021-02-03T10:23:41Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
論文参考訳（メタデータ） (2020-08-25T18:23:50Z)
Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文参考訳（メタデータ） (2020-08-01T17:28:25Z)
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)
Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。