Fugu-MT 論文翻訳(概要): Translating Clinical Delineation of Diabetic Foot Ulcers into Machine Interpretable Segmentation

論文の概要: Translating Clinical Delineation of Diabetic Foot Ulcers into Machine Interpretable Segmentation

arxiv url: http://arxiv.org/abs/2204.11618v1
Date: Fri, 22 Apr 2022 09:54:35 GMT
ステータス: 処理完了
システム内更新日: 2022-04-26 15:40:54.980115
Title: Translating Clinical Delineation of Diabetic Foot Ulcers into Machine Interpretable Segmentation
Title（参考訳）: 糖尿病性足部潰瘍の臨床像の機械解釈分節への翻訳
Authors: Connah Kendrick, Bill Cassidy, Joseph M. Pappachan, Claire O'Shea, Cornelious J. Fernandez, Elias Chacko, Koshy Jacob, Neil D. Reeves, Moi Hoon Yap
Abstract要約: 本稿では,新しい糖尿病性足潰瘍データセットであるDFUC2022を提案する。深層学習ネットワークによる臨床記述が機械的解釈可能か,画像処理による精細な輪郭の使用が必要かを評価する。本稿では,精細な輪郭を用いた画像処理が,機械予測結果とよりよく一致できることを実証する。
参考スコア（独自算出の注目度）: 3.9903913600002507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diabetic foot ulcer is a severe condition that requires close monitoring and management. For training machine learning methods to auto-delineate the ulcer, clinical staff must provide ground truth annotations. In this paper, we propose a new diabetic foot ulcers dataset, namely DFUC2022, the largest segmentation dataset where ulcer regions were manually delineated by clinicians. We assess whether the clinical delineations are machine interpretable by deep learning networks or if image processing refined contour should be used. By providing benchmark results using a selection of popular deep learning algorithms, we draw new insights into the limitations of DFU wound delineation and report on the associated issues. This paper provides some observations on baseline models to facilitate DFUC2022 Challenge in conjunction with MICCAI 2022. The leaderboard will be ranked by Dice score, where the best FCN-based method is 0.5708 and DeepLabv3+ achieved the best score of 0.6277. This paper demonstrates that image processing using refined contour as ground truth can provide better agreement with machine predicted results. DFUC2022 will be released on the 27th April 2022.
Abstract（参考訳）: 糖尿病性足潰瘍は, 厳密なモニタリングと管理を必要とする重篤な疾患である。潰瘍の自動診断のための機械学習方法を訓練するには、臨床スタッフは根拠となる真実の注釈を提供する必要がある。本稿では,糖尿病性足部潰瘍の新しいデータセットであるdfuc2022を提案する。深層学習ネットワークによる臨床記述が機械的解釈可能か,画像処理の精細な輪郭を使うべきかを評価する。一般的なディープラーニングアルゴリズムの選択を用いてベンチマーク結果を提供することで,dfu創傷の限界に関する新たな知見を導き,関連する問題を報告する。本稿では,MICCAI 2022と連携してDFUC2022 Challengeを実現するためのベースラインモデルについて述べる。リーダーボードはDiceスコアでランク付けされ、最高のFCNベースのメソッドは0.5708、DeepLabv3+は0.6277である。本稿では,精細な輪郭を用いた画像処理が,機械予測結果とよりよく一致できることを実証する。 DFUC2022は2022年4月27日にリリースされる。

関連論文リスト

Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
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)
An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文参考訳（メタデータ） (2022-12-12T22:06:47Z)
MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文参考訳（メタデータ） (2022-11-11T14:17:04Z)
HarDNet-DFUS: An Enhanced Harmonically-Connected Network for Diabetic Foot Ulcer Image Segmentation and Colonoscopy Polyp Segmentation [0.33727511459109766]
糖尿病性足潰瘍と大腸内視鏡ポリープの医用画像分割のためのニューラルネットワークアーキテクチャを提案する。 HarDNet-DFUSは大腸内視鏡ポリープ分割作業において優れた性能を発揮する。
論文参考訳（メタデータ） (2022-09-15T14:17:11Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
FEDI: Few-shot learning based on Earth Mover's Distance algorithm combined with deep residual network to identify diabetic retinopathy [3.6623193507510012]
本稿では,Earth Moverのアルゴリズムをベースとした,糖尿病網膜症の診断支援を目的とした深部残像ネットワークの複数ショット学習モデルを提案する。我々は,1000サンプルデータの39カテゴリに基づいて,数ショット学習のためのトレーニングと検証の分類タスクを構築し,深層残留ネットワークを訓練し,経験的事前学習モデルを得る。事前学習モデルの重みに基づいて、Earth MoverのDistanceアルゴリズムは画像間の距離を計算し、画像間の類似性を求め、モデルのパラメータを変更してトレーニングモデルの精度を向上させる。
論文参考訳（メタデータ） (2021-08-22T13:05:02Z)
Analysis Towards Classification of Infection and Ischaemia of Diabetic Foot Ulcers [5.746418369209802]
本稿では,糖尿病性足部潰瘍データ(dfuc 2021)について,感染と虚血を主眼とした病態解析について紹介する。 DFUC 2021の最終リリースは15,683のDFUパッチと5,955のトレーニング、5,734のテスト、5,994のDFUパッチで構成されている。ディープラーニングの5つの重要なバックボーンのパフォーマンスをベンチマークします。 VGG16, ResNet101, InceptionV3, DenseNet121, EfficientNet on DFUC 2021。
論文参考訳（メタデータ） (2021-04-07T11:38:57Z)
Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文参考訳（メタデータ） (2021-02-09T04:05:19Z)
Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy [0.0]
Inception-V3, VGG19, VGG16, ResNet50, InceptionResNetV2を実験により評価した。彼らは、DR重度に基づいて、医療画像を5つの異なるクラスに分類する。実験の結果、ResNet50はバイナリ分類の最高性能を示している。
論文参考訳（メタデータ） (2020-10-07T20:42:14Z)
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。