論文の概要: Deep ensemble learning for segmenting tuberculosis-consistent manifestations in chest radiographs

• arxiv url: http://arxiv.org/abs/2206.06065v1
• Date: Mon, 13 Jun 2022 11:51:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 18:04:57.642927
• Title: Deep ensemble learning for segmenting tuberculosis-consistent manifestations in chest radiographs
• Title（参考訳）: 胸部X線写真における結核分画の深層アンサンブル学習
• Authors: Sivaramakrishnan Rajaraman, Feng Yang, Ghada Zamzmi, Peng Guo, Zhiyun Xue and Sameer K Antani
• Abstract要約: 本研究は,胸部X線検査におけるTB含有病変の微細なアノテーションの有用性について検討した。 我々は,ビットワイズAND,ビットワイズOR,ビットワイズMAX,スタックなど,複数のアンサンブル手法を用いてセグメンテーション性能を評価した。 我々の知る限りでは、細粒部TBの病変分割性能を向上させるためにアンサンブル学習を適用した最初の研究である。
• 参考スコア（独自算出の注目度）: 8.919286692649454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated segmentation of tuberculosis (TB)-consistent lesions in chest X-rays (CXRs) using deep learning (DL) methods can help reduce radiologist effort, supplement clinical decision-making, and potentially result in improved patient treatment. The majority of works in the literature discuss training automatic segmentation models using coarse bounding box annotations. However, the granularity of the bounding box annotation could result in the inclusion of a considerable fraction of false positives and negatives at the pixel level that may adversely impact overall semantic segmentation performance. This study (i) evaluates the benefits of using fine-grained annotations of TB-consistent lesions and (ii) trains and constructs ensembles of the variants of U-Net models for semantically segmenting TB-consistent lesions in both original and bone-suppressed frontal CXRs. We evaluated segmentation performance using several ensemble methods such as bitwise AND, bitwise-OR, bitwise-MAX, and stacking. We observed that the stacking ensemble demonstrated superior segmentation performance (Dice score: 0.5743, 95% confidence interval: (0.4055,0.7431)) compared to the individual constituent models and other ensemble methods. To the best of our knowledge, this is the first study to apply ensemble learning to improve fine-grained TB-consistent lesion segmentation performance.
• Abstract（参考訳）: 深層学習(DL)法を用いた胸部X線(CXR)の結核性病変の自動分離は、放射線治療の労力を減らし、臨床的意思決定を補完し、患者治療の改善をもたらす可能性がある。 論文の大半は、粗い境界ボックスアノテーションを用いた自動セグメンテーションモデルのトレーニングについて論じている。 しかし、バウンディングボックスアノテーションの粒度は、ピクセルレベルでの偽陽性と負のかなりの部分を含めることによって、全体的なセマンティックセグメンテーション性能に悪影響を及ぼす可能性がある。 この研究 (i)tb整合病変の細粒度アノテーションの利点と有用性の評価 (ii) オリジナルおよび骨抑制前頭cxrのtb一貫性病変を意味的に分節するu-netモデルの変種を訓練し構成する。 ビットワイズ,ビットワイズ,ビットワイズ,ビットワイズマックス,スタックリングなどのアンサンブル手法を用いてセグメント化性能を評価した。 重み付けアンサンブルは,個々の構成モデルおよび他のアンサンブル法と比較して,高いセグメンテーション性能(ディップスコア0.5743,95%信頼区間0.4055,0.7431)を示した。 本研究は,細粒度tb一貫性病変分割性能を改善するためにアンサンブル学習を適用した最初の研究である。

関連論文リスト

• Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
  Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。 蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。 本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T05:21:13Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Hybrid Representation-Enhanced Sampling for Bayesian Active Learning in Musculoskeletal Segmentation of Lower Extremities [0.9287179270753105]
  本研究では,密度と多様性の両基準を統合したハイブリッドな表現強化サンプリング戦略を提案する。 MRIとCT画像の2つの下肢(LE)データセットで実験を行った。
  論文  参考訳（メタデータ） (2023-07-26T06:52:29Z)
• RECIST Weakly Supervised Lesion Segmentation via Label-Space Co-Training [30.938824115941603]
  本稿では,リッチなRECISTアノテーションを画素単位の病変セグメンテーションに活用するための弱教師付きフレームワークを提案する。 RECISTアノテーションに基づいて、病変ごとに一対のアンダーセグメンテーションマスクとオーバーセグメンテーションマスクが構築される。 提案フレームワークの優位性を示すために,公開データセット上で実験を行う。
  論文  参考訳（メタデータ） (2023-03-01T03:15:31Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Towards Unbiased COVID-19 Lesion Localisation and Segmentation via Weakly Supervised Learning [66.36706284671291]
  本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。 このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
  論文  参考訳（メタデータ） (2021-03-01T06:05:49Z)

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。