論文の概要: Deep Learning for Classification of Thyroid Nodules on Ultrasound: Validation on an Independent Dataset

• arxiv url: http://arxiv.org/abs/2207.13765v2
• Date: Thu, 4 May 2023 21:27:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 17:41:12.509604
• Title: Deep Learning for Classification of Thyroid Nodules on Ultrasound: Validation on an Independent Dataset
• Title（参考訳）: 超音波による甲状腺結節分類のための深層学習:独立データセットによる検証
• Authors: Jingxi Weng, Benjamin Wildman-Tobriner, Mateusz Buda, Jichen Yang, Lisa M. Ho, Brian C. Allen, Wendy L. Ehieli, Chad M. Miller, Jikai Zhang and Maciej A. Mazurowski
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.4674725823899175
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objectives: The purpose is to apply a previously validated deep learning algorithm to a new thyroid nodule ultrasound image dataset and compare its performances with radiologists. Methods: Prior study presented an algorithm which is able to detect thyroid nodules and then make malignancy classifications with two ultrasound images. A multi-task deep convolutional neural network was trained from 1278 nodules and originally tested with 99 separate nodules. The results were comparable with that of radiologists. The algorithm was further tested with 378 nodules imaged with ultrasound machines from different manufacturers and product types than the training cases. Four experienced radiologists were requested to evaluate the nodules for comparison with deep learning. Results: The Area Under Curve (AUC) of the deep learning algorithm and four radiologists were calculated with parametric, binormal estimation. For the deep learning algorithm, the AUC was 0.69 (95% CI: 0.64 - 0.75). The AUC of radiologists were 0.63 (95% CI: 0.59 - 0.67), 0.66 (95% CI:0.61 - 0.71), 0.65 (95% CI: 0.60 - 0.70), and 0.63 (95%CI: 0.58 - 0.67). Conclusion: In the new testing dataset, the deep learning algorithm achieved similar performances with all four radiologists. The relative performance difference between the algorithm and the radiologists is not significantly affected by the difference of ultrasound scanner.
• Abstract（参考訳）: 目的:新しい甲状腺結節超音波画像データセットに以前に検証されたディープラーニングアルゴリズムを適用し、その性能を放射線科医と比較すること。 方法: 先行研究は, 甲状腺結節を検出し, 2つの超音波画像を用いて悪性度分類を行うアルゴリズムを提示した。 マルチタスク深部畳み込みニューラルネットワークは1278ノジュールから訓練され、元々99個のノジュールで試験された。 結果は放射線科医と同等であった。 このアルゴリズムは、異なるメーカーや製品タイプから超音波装置で撮影された378個の結節でさらにテストされた。 4名の放射線科医に, 深層学習と比較して結節の評価を依頼した。 結果: 深層学習アルゴリズムの曲線下領域 (auc) と4人の放射線科医をパラメトリック・バイノーマル推定により算出した。 ディープラーニングアルゴリズムでは、AUCは0.69(95% CI: 0.640.75)であった。 AUC は 0.63 (95% CI: 0.59 - 0.67), 0.66 (95% CI: 0.0.61 - 0.71), 0.65 (95% CI: 0.60 - 0.70), 0.63 (95% CI: 0.58 - 0.67) である。 結論: 新たなテストデータセットでは、ディープラーニングアルゴリズムが4人の放射線科医すべてで同様のパフォーマンスを達成した。 アルゴリズムと放射線科医の相対的性能差は超音波スキャナの差にはあまり影響しない。

関連論文リスト

• minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the United States of America [0.0]
  我々は、私のminoHealth AI Labsを開発したminoHealth.aiシステムが、心内膜および胸膜灌流の診断において、いかにうまく機能するかを評価する。 ガーナ、ベトナム、米国からの胸部X線、そしてガーナで働く放射線学者と比べて、AIシステムがいかにうまく機能するか。 MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.86であった。
  論文  参考訳（メタデータ） (2022-10-31T20:12:41Z)
• Open-radiomics: A Collection of Standardized Datasets and a Technical Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
  オープンラジオミクス、一連のラジオミクスデータセット、包括的なラジオミクスパイプラインを紹介する。 BraTS 2020オープンソースMR(Magnetic Resonance Imaging)データセットで実験が行われた。 binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
  論文  参考訳（メタデータ） (2022-07-29T16:37:46Z)
• Deep learning-based algorithm for assessment of knee osteoarthritis severity in radiographs matches performance of radiologists [10.702936171938774]
  完全重み付き深層学習アルゴリズムは、X線写真における膝関節炎重症度の評価において、放射線技師のパフォーマンスと一致した。 マルチセンター型変形性関節症研究(MOST)2802例の9739検診データセットを用いた。 このモデルはMOSTデータセットのレーティングと比較すると、テストセット全体の71.90%のマルチクラス精度を得た。
  論文  参考訳（メタデータ） (2022-07-25T20:35:17Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach? [0.0]
  日本放射線技術学会データベースを解析した。 AIモード -- 自動化とアシスト -- は、平均的な感度向上を生み出した。 どちらのAIモードも、放射線技師が見逃した肺結節をかなりの数の症例でフラグ付けした。
  論文  参考訳（メタデータ） (2022-06-22T08:35:04Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• 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)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)
• 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)
• Radioactive data: tracing through training [130.2266320167683]
  本稿では,このデータセットに認識不能な変化を生じさせる新しい手法であるEmphradioactive dataを提案する。 訓練されたモデルにより, 放射能データの利用を検知し, 信頼度(p-値)のレベルを提供する。 提案手法はディープネットワーク最適化におけるデータ拡張とバックドア性に対して堅牢である。
  論文  参考訳（メタデータ） (2020-02-03T18:41:08Z)

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。