論文の概要: Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants
- arxiv url: http://arxiv.org/abs/2204.10560v1
- Date: Fri, 22 Apr 2022 08:17:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 21:48:41.459849
- Title: Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants
- Title（参考訳）: 金属インプラントとの相互作用を考慮した骨組織の医用画像分割法の開発
- Authors: Fernando Garc\'ia-Torres, Carmen M\'inguez-Porter, Julia
Tom\'as-Chenoll, Sof\'ia Iranzo-Egea, Juan-Manuel Belda-Lois
- Abstract要約: 本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
- 参考スコア（独自算出の注目度）: 58.720142291102135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This preliminary study focuses on the development of a medical image
segmentation algorithm based on artificial intelligence for calculating bone
growth in contact with metallic implants. %as a result of the problem of
estimating the growth of new bone tissue due to artifacts. %the presence of
various types of distortions and errors, known as artifacts.
Two databases consisting of computerized microtomography images have been
used throughout this work: 100 images for training and 196 images for testing.
Both bone and implant tissue were manually segmented in the training data set.
The type of network constructed follows the U-Net architecture, a convolutional
neural network explicitly used for medical image segmentation.
In terms of network accuracy, the model reached around 98\%. Once the
prediction was obtained from the new data set (test set), the total number of
pixels belonging to bone tissue was calculated. This volume is around 15\% of
the volume estimated by conventional techniques, which are usually
overestimated. This method has shown its good performance and results, although
it has a wide margin for improvement, modifying various parameters of the
networks or using larger databases to improve training.
- Abstract（参考訳）: 本研究は, 金属インプラントとの接触による骨成長計算のための人工知能に基づく医用画像分割アルゴリズムの開発に焦点をあてたものである。
%であり, 骨形成物による骨組織の成長を推定することが困難であった。
%は様々な種類の歪みやエラーの存在であり、人工物として知られている。
この研究を通じて、コンピュータ化されたマイクロトモグラフィー画像からなる2つのデータベースが使用されている。
骨とインプラントの組織は、トレーニングデータセットで手動で区切られた。
構築されるネットワークのタイプは、医療画像のセグメンテーションに明示的に使用される畳み込みニューラルネットワークであるu-netアーキテクチャに従っている。
ネットワーク精度の面では、モデルは約98\%に達した。
新たなデータセットから予測が得られた後(テストセット)、骨組織に属するピクセルの総数を算出する。
この体積は従来の手法で推定される体積の約15\%であり、通常は過大評価される。
この手法は優れた性能と結果を示しているが、改善には広いマージンがあり、ネットワークの様々なパラメータの変更や、トレーニングを改善するためにより大きなデータベースを使用する。
関連論文リスト
- Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。
固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。
また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
論文 参考訳（メタデータ） (2024-08-30T04:51:19Z) - Integrating Preprocessing Methods and Convolutional Neural Networks for
Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。
本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。
医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文 参考訳（メタデータ） (2024-02-25T23:49:05Z) - Deepfake Image Generation for Improved Brain Tumor Segmentation [0.0]
本研究は,脳腫瘍セグメンテーションにおけるディープフェイク画像生成の可能性について検討した。
Generative Adversarial Networkは、ディープフェイク画像で訓練されたU-Netベースの畳み込みニューラルネットワークを用いて、画像から画像への変換と画像のセグメンテーションに使用された。
その結果,画像セグメンテーションの品質指標の面ではパフォーマンスが向上し,限られたデータでトレーニングする際の支援が可能となった。
論文 参考訳（メタデータ） (2023-07-26T16:11:51Z) - 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) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Image Translation for Medical Image Generation -- Ischemic Stroke
Lesions [0.0]
注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。
画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。
臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
論文 参考訳（メタデータ） (2020-10-05T09:12:28Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。