論文の概要: Deep morphological recognition of kidney stones using intra-operative
endoscopic digital videos
- arxiv url: http://arxiv.org/abs/2205.06093v1
- Date: Thu, 12 May 2022 13:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-13 12:30:02.286736
- Title: Deep morphological recognition of kidney stones using intra-operative
endoscopic digital videos
- Title(参考訳): 術中内視鏡デジタルビデオによる腎臓結石の深部形態認識
- Authors: Vincent Estrade, Michel Daudon, Emmanuel Richard, Jean-Christophe
Bernhard, Franck Bladou, Gregoire Robert, Laurent Facq, Baudouin Denis de
Senneville
- Abstract要約: レーザーによる尿石の断片化は、現在最も確立された外科的介入であり、標的石の形態を破壊する可能性がある。
本研究は,石の形態的特徴の自動認識のための完全デジタル内視鏡映像シーケンスの処理性能と付加価値を評価するものである。
- 参考スコア(独自算出の注目度): 0.30382867467444796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The collection and the analysis of kidney stone morphological criteria are
essential for an aetiological diagnosis of stone disease. However, in-situ
LASER-based fragmentation of urinary stones, which is now the most established
chirurgical intervention, may destroy the morphology of the targeted stone. In
the current study, we assess the performance and added value of processing
complete digital endoscopic video sequences for the automatic recognition of
stone morphological features during a standard-of-care intra-operative session.
To this end, a computer-aided video classifier was developed to predict in-situ
the morphology of stone using an intra-operative digital endoscopic video
acquired in a clinical setting.
The proposed technique was evaluated on pure (i.e. include one morphology)
and mixed (i.e. include at least two morphologies) stones involving "Ia/Calcium
Oxalate Monohydrate (COM)", "IIb/ Calcium Oxalate Dihydrate (COD)" and
"IIIb/Uric Acid (UA)" morphologies. 71 digital endoscopic videos (50 exhibited
only one morphological type and 21 displayed two) were analyzed using the
proposed video classifier (56840 frames processed in total). Using the proposed
approach, diagnostic performances (averaged over both pure and mixed stone
types) were as follows: balanced accuracy=88%, sensitivity=80%,
specificity=95%, precision=78% and F1-score=78%.
The obtained results demonstrate that AI applied on digital endoscopic video
sequences is a promising tool for collecting morphological information during
the time-course of the stone fragmentation process without resorting to any
human intervention for stone delineation or selection of good quality steady
frames. To this end, irrelevant image information must be removed from the
prediction process at both frame and pixel levels, which is now feasible thanks
to the use of AI-dedicated networks.
- Abstract(参考訳): 腎臓結石の形態学的基準の収集と解析は,石疾患の審美学的診断に不可欠である。
しかし、現在最も確立された外科的介入であるレーザーによる尿石の断片化は、標的石の形態を損なう可能性がある。
本研究は, 術中標準セッションにおける石の形態的特徴の自動認識のための, 完全デジタル内視鏡映像シーケンスの処理性能と付加価値を評価するものである。
そこで, 臨床現場で取得した術中デジタル内視鏡映像を用いて, 石の形態をその場で予測するコンピュータ支援ビデオ分類器を開発した。
提案手法は,純石 (1つの形態を含む) と混合石 (少なくとも2つの形態を含む) について評価し, 「ia/calcium oxalate monohydrate (com), "iib/ calcium oxalate dihydrate (cod), "iiib/uric acid (ua) 形態について検討した。
71のディジタル内視鏡映像(形態素型50個,表示21個)を,提案するビデオ分類器(計56840フレーム)を用いて解析した。
提案手法では, 精度88%, 感度80%, 特異度95%, 精度78%, およびf1-score=78%のバランスをとっていた。
以上の結果から, ディジタル内視鏡映像系列に適用したaiは, 石の断片化過程の経過中に, 人的介入や良質な定常フレームの選択に頼らずに形態情報を収集できる有望なツールであることが示された。
この目的のために、フレームとピクセルレベルでの予測プロセスから無関係な画像情報を取り除く必要がある。
関連論文リスト
- Segmentation of kidney stones in endoscopic video feeds [2.572404739180802]
生のビデオからデータセットを構築する方法と、可能な限り多くのプロセスを自動化するパイプラインを開発する方法について説明します。
また, リアルタイム使用の可能性を示すため, 最適なトレーニングモデルにより, 毎秒30フレームの動画を正確にアノテートできることを確認した。
論文 参考訳(メタデータ) (2022-04-29T16:00:52Z) - Neglectable effect of brain MRI data prepreprocessing for tumor
segmentation [55.51261784032216]
我々は,TCIA-GBMオープンソースデータセットを用いたマルチモーダルMRI脳がん画像セグメント化に関する総合的研究を報告する。
その結果、最も一般的な標準化手順は、ニューラルネットワークの性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - On the in vivo recognition of kidney stones using machine learning [0.8126281861908967]
本稿では,6つの浅層機械学習手法と3つのディープラーニングアーキテクチャの腎臓結石認識性能を比較した。
また、適切な色空間とテクスチャの特徴を選択することで、浅い機械学習手法が、最も有望なディープラーニング手法の性能に近づきやすいことが示されている。
論文 参考訳(メタデータ) (2022-01-21T19:18:42Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Towards Automatic Recognition of Pure & Mixed Stones using
Intraoperative Endoscopic Digital Images [0.5709573160862248]
深層畳み込みニューラルネットワークは、純石と混合石の両方の組成を予測するために訓練された。
表面画像を用いた「純IIIb/UA」の感度は98 %であった。
混合型"Ia/COM+IIb/COD"では, 表面像の84 %, IIb/CODの70 %, それぞれ65 %でIa/COMが予測された。
論文 参考訳(メタデータ) (2021-05-22T10:52:19Z) - Multi-class motion-based semantic segmentation for ureteroscopy and
laser lithotripsy [0.7874708385247353]
石とレーザー繊維の分断のためのエンドツーエンドCNNベースのフレームワークを提案する。
本研究では,UNet,HybResUNet,DeepLabv3+と比較して,25.4%,20%,11%の平均改善率を示す新たな臨床データセットの一般化を検討した。
論文 参考訳(メタデータ) (2021-04-02T22:47:21Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Assessing deep learning methods for the identification of kidney stones
in endoscopic images [0.0]
腎臓石のタイプ(すなわち生化学組成)を知ることは再発を防ぐために重要である。
尿素コピー中に腎臓結石を断片化し、尿路から抽出し、その組成を形態構成分析を用いて決定する。
本稿では、ディープ畳み込みニューラルネットワーク(DCNN)と従来の(非DCNN)の5つの分類手法について論じ、比較する。
論文 参考訳(メタデータ) (2021-03-01T17:31:01Z)
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。