論文の概要: Fluorescence angiography classification in colorectal surgery -- A
preliminary report
- arxiv url: http://arxiv.org/abs/2206.05935v1
- Date: Mon, 13 Jun 2022 07:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 01:09:11.816307
- Title: Fluorescence angiography classification in colorectal surgery -- A
preliminary report
- Title（参考訳）: 大腸癌における蛍光アンギオグラフィーの分類-予備報告
- Authors: Antonio S Soares, Sophia Bano, Neil T Clancy, Laurence B Lovat, Danail
Stoyanov and Manish Chand
- Abstract要約: 本研究の目的は, 大腸組織を蛍光血管造影データに基づいて "perfused" あるいは "not perfused" と分類する人工知能アルゴリズムを開発することである。
アルゴリズムをデプロイするWebベースのアプリが利用可能になった。
- 参考スコア（独自算出の注目度）: 8.075715438276244
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Background: Fluorescence angiography has shown very promising results in
reducing anastomotic leaks by allowing the surgeon to select optimally perfused
tissue. However, subjective interpretation of the fluorescent signal still
hinders broad application of the technique, as significant variation between
different surgeons exists. Our aim is to develop an artificial intelligence
algorithm to classify colonic tissue as 'perfused' or 'not perfused' based on
intraoperative fluorescence angiography data.
Methods: A classification model with a Resnet architecture was trained on a
dataset of fluorescence angiography videos of colorectal resections at a
tertiary referral centre. Frames corresponding to fluorescent and
non-fluorescent segments of colon were used to train a classification
algorithm. Validation using frames from patients not used in the training set
was performed, including both data collected using the same equipment and data
collected using a different camera. Performance metrics were calculated, and
saliency maps used to further analyse the output. A decision boundary was
identified based on the tissue classification.
Results: A convolutional neural network was successfully trained on 1790
frames from 7 patients and validated in 24 frames from 14 patients. The
accuracy on the training set was 100%, on the validation set was 80%. Recall
and precision were respectively 100% and 100% on the training set and 68.8% and
91.7% on the validation set.
Conclusion: Automated classification of intraoperative fluorescence
angiography with a high degree of accuracy is possible and allows automated
decision boundary identification. This will enable surgeons to standardise the
technique of fluorescence angiography. A web based app was made available to
deploy the algorithm.
- Abstract（参考訳）: 背景:fluorescence angiographyは, 外科医が最適な灌流組織を選択できることで, 腹水漏出の軽減に非常に有望な結果を示している。
しかし、蛍光信号の主観的な解釈は、異なる外科医間で大きな違いが存在するため、この技法の幅広い応用を妨げる。
本研究の目的は,術中蛍光アンギオグラフィーデータに基づいて,大腸組織を "perfused" あるいは "not perfused" と分類する人工知能アルゴリズムを開発することである。
方法:resnetアーキテクチャを用いた分類モデルを,3次紹介センターにおける大腸切除の蛍光血管造影ビデオのデータセットを用いて検討した。
コロンの蛍光および非蛍光セグメントに対応するフレームを用いて分類アルゴリズムを訓練した。
トレーニングセットに使用されていない患者のフレームを用いた検証を行い、同じ機器を用いて収集したデータと異なるカメラを用いて収集したデータの両方を含む。
パフォーマンス指標が計算され、サリエンシーマップが出力をさらに分析するために使用された。
組織分類に基づいて決定境界が同定された。
結果: 畳み込みニューラルネットワークを7例の1790フレームで訓練し, 14例の24フレームで検証した。
トレーニングセットの精度は100%,検証セットの精度は80%であった。
リコールと精度はそれぞれトレーニングセットで100%と100%、検証セットで68.8%と91.7%であった。
結論: 術中蛍光式血管造影の精度の高い自動分類が可能であり, 自動判定境界同定が可能である。
これにより外科医は蛍光血管造影の技術を標準化できる。
アルゴリズムをデプロイするWebベースのアプリが利用可能になった。
関連論文リスト
- Data-Centric Learning Framework for Real-Time Detection of Aiming Beam in Fluorescence Lifetime Imaging Guided Surgery [3.8261910636994925]
本研究では,FLImを用いたリアルタイム手術指導のための新しいデータ中心アプローチを提案する。
第一の課題は,特に経口ロボット手術(TORS)における手術環境における複雑で変動的な状態から生じる。
ラベルノイズの最小化と検出ロバスト性の向上により精度を向上させるデータ中心のトレーニング戦略を用いて,インスタンスセグメンテーションモデルを開発した。
論文 参考訳（メタデータ） (2024-11-11T22:04:32Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Coronary Artery Disease Classification with Different Lesion Degree
Ranges based on Deep Learning [0.6749750044497731]
侵襲的冠動脈造影(ICA)画像は冠動脈の状態を評価するための金の基準と考えられている。
ディープラーニングの分類法は、様々な分野で広く使われ、開発が進んでいる。
論文 参考訳（メタデータ） (2024-02-01T13:43:33Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Semi-supervised GAN for Bladder Tissue Classification in Multi-Domain
Endoscopic Images [10.48945682277992]
本稿では,3つの主要コンポーネントからなるGANに基づく半サプライズドジェネレーティブ・アドリアル・ネットワーク(GAN)を提案する。
組織分類法で得られた平均分類精度、精度、リコールは、それぞれ0.90, 0.88, 0.89である。
論文 参考訳（メタデータ） (2022-12-21T21:32:36Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
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。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - 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) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳（メタデータ） (2020-06-03T22:55:53Z)
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。