論文の概要: Comparison of Deep Learning Segmentation and Multigrader-annotated
Mandibular Canals of Multicenter CBCT scans
- arxiv url: http://arxiv.org/abs/2205.13874v1
- Date: Fri, 27 May 2022 10:10:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 13:32:32.042759
- Title: Comparison of Deep Learning Segmentation and Multigrader-annotated
Mandibular Canals of Multicenter CBCT scans
- Title（参考訳）: 多施設CBCTスキャンにおける深層学習セグメントと多段階注釈下顎管の比較
- Authors: Jorma J\"arnstedt, Jaakko Sahlsten, Joel Jaskari, Kimmo Kaski, Helena
Mehtonen, Ziyuan Lin, Ari Hietanen, Osku Sundqvist, Vesa Varjonen, Vesa
Mattila, Sangsom Prapayasotok and Sakarat Nalampang
- Abstract要約: 深層学習法はCBCTスキャンから両側下顎管を自動的に分割する手法として実証されている。
982 CBCT スキャンを用いて訓練し,150 スキャンの5 スキャンを臨床ワークフロー患者から行った。
DLSは, 放射線技師と新しいスキャナーへの一般化能力により, 下顎管の区分けにおいて同等あるいはわずかに優れた性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning approach has been demonstrated to automatically segment the
bilateral mandibular canals from CBCT scans, yet systematic studies of its
clinical and technical validation are scarce. To validate the mandibular canal
localization accuracy of a deep learning system (DLS) we trained it with 982
CBCT scans and evaluated using 150 scans of five scanners from clinical
workflow patients of European and Southeast Asian Institutes, annotated by four
radiologists. The interobserver variability was compared to the variability
between the DLS and the radiologists. In addition, the generalization of DLS to
CBCT scans from scanners not used in the training data was examined to evaluate
the out-of-distribution generalization capability. The DLS had lower
variability to the radiologists than the interobserver variability between them
and it was able to generalize to three new devices. For the radiologists'
consensus segmentation, used as gold standard, the DLS had a symmetric mean
curve distance of 0.39 mm compared to those of the individual radiologists with
0.62 mm, 0.55 mm, 0.47 mm, and 0.42 mm. The DLS showed comparable or slightly
better performance in the segmentation of the mandibular canal with the
radiologists and generalization capability to new scanners.
- Abstract（参考訳）: 深層学習(Deep Learning)アプローチはCBCTスキャンから両側下顎管を自動的に分割することが実証されているが,臨床および臨床検査の体系的研究は乏しい。
深層学習システム (dls) の下顎管定位精度を検証するために, 982 cbct スキャンで訓練し, 4人の放射線科医が注釈を付けて, ヨーロッパ, 東南アジアのクリニカルワークフロー患者5名のスキャナを150スキャンで評価した。
観察者間変動はdlsと放射線科医の変動と比較された。
さらに、トレーニングデータに使用されていないスキャナーからCBCTスキャンへのDLSの一般化について検討し、分布外一般化能力の評価を行った。
dlsは、それらの間の観測者間変動よりも放射線科医の変動性が低く、3つの新しい装置に一般化することができた。
放射線学者のコンセンサス・セグメンテーションでは、DLSは0.62mm、0.55mm、0.47mm、0.42mmと対称平均曲線距離が0.39mmであった。
DLSは, 放射線技師と新しいスキャナーの一般化能力により, 下顎管の区分けにおいて同等あるいはわずかに優れた性能を示した。
関連論文リスト
- Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。
本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文 参考訳（メタデータ） (2024-09-11T11:12:26Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Reproducibility analysis of automated deep learning based localisation
of mandibular canals on a temporal CBCT dataset [0.0]
下顎管の術前診断は顎顔面手術に不可欠である。
本研究では, 深層学習システム(DLS)のラジオロジカルな評価を165個のCBCTスキャンで行った。
論文 参考訳（メタデータ） (2023-04-28T11:36:37Z) - An Accurate and Explainable Deep Learning System Improves Interobserver
Agreement in the Interpretation of Chest Radiograph [0.33598755777055367]
VinDr-CXRは、CXRスキャンを複数の胸腺疾患に分類し、画像上の重要な発見のほとんどをローカライズすることができる。
提案システムにより,Fleiss' Kappa平均の1.5%の増加により,放射線学者間の合意が大幅に改善された。
論文 参考訳（メタデータ） (2022-08-06T17:03:49Z) - Deep Learning for Classification of Thyroid Nodules on Ultrasound:
Validation on an Independent Dataset [7.4674725823899175]
本研究の目的は,新しい甲状腺超音波画像データセットに事前に検証された深層学習アルゴリズムを適用することである。
このアルゴリズムと放射線技師の相対的な性能差は、超音波スキャナーの違いによって大きく影響されない。
論文 参考訳（メタデータ） (2022-07-27T19:45:41Z) - Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian
Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。
本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。
実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T13:04:42Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Deep cross-modality (MR-CT) educed distillation learning for cone beam
CT lung tumor segmentation [3.8791511769387634]
新しい深層学習型cbct肺腫瘍分割法を開発した。
提案手法の主な考え方は、磁気共鳴イメージング(MRI)を用いてCBCTセグメンテーションネットワークトレーニングをガイドすることである。
我々は,unpaired cbct と mri データセットを用いて,unpaired domain adaptation (uda) とcross-domain segmentation distillation network (sdn) からなるエンドツーエンドネットワークを訓練することでこれを実現する。
論文 参考訳（メタデータ） (2021-02-17T03:52:02Z) - A Convolutional Approach to Vertebrae Detection and Labelling in Whole
Spine MRI [70.04389979779195]
脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。
これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。
本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
論文 参考訳（メタデータ） (2020-07-06T09:37:12Z) - A neural network model that learns differences in diagnosis strategies
among radiologists has an improved area under the curve for aneurysm status
classification in magnetic resonance angiography image series [0.0]
この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。
画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。
構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
論文 参考訳（メタデータ） (2020-02-03T19:19:57Z)
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。