論文の概要: Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip

• arxiv url: http://arxiv.org/abs/2209.03440v1
• Date: Wed, 7 Sep 2022 19:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-09-09 12:25:15.775619
• Title: Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip
• Title（参考訳）: 深部学習に基づく変形性股関節症自動診断システム
• Authors: Yang Li, Leo Yan Li-Han, Hua Tian
• Abstract要約: 本研究では,14個のキーポイントを自動的に検出する深層学習システムを提案する。 3つの解剖学的角度(中央辺角、T"オンニス角、シャープ角)を測り、DDHヒップをクロー基準に基づいてグレードI-IVに分類する。
• 参考スコア（独自算出の注目度）: 5.673030999857323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the first-line diagnostic imaging modality, radiography plays an essential role in the early detection of developmental dysplasia of the hip (DDH). Clinically, the diagnosis of DDH relies on manual measurements and subjective evaluation of different anatomical features from pelvic radiographs. This process is inefficient and error-prone and requires years of clinical experience. In this study, we propose a deep learning-based system that automatically detects 14 keypoints from a radiograph, measures three anatomical angles (center-edge, T\"onnis, and Sharp angles), and classifies DDH hips as grades I-IV based on the Crowe criteria. Moreover, a novel data-driven scoring system is proposed to quantitatively integrate the information from the three angles for DDH diagnosis. The proposed keypoint detection model achieved a mean (95% confidence interval [CI]) average precision of 0.807 (0.804-0.810). The mean (95% CI) intraclass correlation coefficients between the center-edge, Tonnis, and Sharp angles measured by the proposed model and the ground-truth were 0.957 (0.952-0.962), 0.947 (0.941-0.953), and 0.953 (0.947-0.960), respectively, which were significantly higher than those of experienced orthopedic surgeons (p<0.0001). In addition, the mean (95% CI) test diagnostic agreement (Cohen's kappa) obtained using the proposed scoring system was 0.84 (0.83-0.85), which was significantly higher than those obtained from diagnostic criteria for individual angle (0.76 [0.75-0.77]) and orthopedists (0.71 [0.63-0.79]). To the best of our knowledge, this is the first study for objective DDH diagnosis by leveraging deep learning keypoint detection and integrating different anatomical measurements, which can provide reliable and explainable support for clinical decision-making.
• Abstract（参考訳）: 第一線診断法としてのx線撮影は, 発達性股関節異形成 (ddh) の早期発見において重要な役割を担っている。 臨床的には、DDHの診断は骨盤X線写真と異なる解剖学的特徴のマニュアル測定と主観評価に依存している。 このプロセスは非効率でエラーを起こしやすく、臨床経験が何年も必要である。 本研究では,ラジオグラフから14個のキーポイントを自動的に検出し,3つの解剖学的角度(中央縁,T\onnis,Sharp角)を測定し,DDHヒップをCrowe基準に基づいてグレードI-IVに分類する深層学習システムを提案する。 さらに,ddh診断のための3つの角度からの情報を定量的に統合する新しいデータ駆動スコアリングシステムを提案する。 提案手法は平均信頼区間[ci]の平均精度0.807 (0.804-0.810) を達成した。 中央縁, Tonnis, シャープ角度の平均 (95% CI) 相関係数は0.957 (0.952-0.962), 0.947 (0.941-0.953), 0.953 (0.947-0.960) で, 経験者整形外科医 (p<0.0001) よりも有意に高かった。 また, 平均 (95% CI) テスト診断契約 (コーエンカッパ) は0.84 (0.83-0.85) であり, 個々の角度 (0.76 [0.75-0.77]) および整形外科医 (0.71 [0.63-0.79]) の診断基準より有意に高かった。 我々の知る限りでは、深層学習キーポイントの検出と異なる解剖学的測定の統合を活用し、臨床的意思決定への信頼性と説明可能な支援を提供することにより、客観的DDH診断のための最初の研究である。

関連論文リスト

• A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
  本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
  論文  参考訳（メタデータ） (2024-11-15T01:49:17Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• A Deep Learning Model for Coronary Artery Segmentation and Quantitative Stenosis Detection in Angiographic Images [2.6879908098704544]
  血管造影画像における冠状動脈の自動分画のための新しい深層学習法を提案する。 このモデルは、MedSAMとVM-UNetアーキテクチャを組み合わせて高性能な結果を得る。 狭窄検出アルゴリズムは真正率(TPR)が0.5867、正の予測値(PPV)が0.5911に達した。
  論文  参考訳（メタデータ） (2024-06-01T16:45:33Z)
• Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
  本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。 モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
  論文  参考訳（メタデータ） (2024-05-12T20:02:25Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection [0.0]
  本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。 我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。 AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
  論文  参考訳（メタデータ） (2023-11-09T08:23:44Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• A deep learning pipeline for localization, differentiation, and uncertainty estimation of liver lesions using multi-phasic and multi-sequence MRI [15.078841623264543]
  肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。 肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。 キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-10-17T13:19:00Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Ensemble machine learning approach for screening of coronary heart disease based on echocardiography and risk factors [19.076443235356873]
  我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。 CHD分類の精度は,テストセットで約70%から87.7%に向上した。
  論文  参考訳（メタデータ） (2021-05-20T11:04:58Z)
• Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics [13.028105771052376]
  肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。 分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。 その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
  論文  参考訳（メタデータ） (2021-04-29T21:04:02Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)

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。