論文の概要: Deep Learning based Automatic Quantification of Urethral Plate Quality
using the Plate Objective Scoring Tool (POST)
- arxiv url: http://arxiv.org/abs/2209.13848v1
- Date: Wed, 28 Sep 2022 06:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 16:02:54.239681
- Title: Deep Learning based Automatic Quantification of Urethral Plate Quality
using the Plate Objective Scoring Tool (POST)
- Title（参考訳）: プレート客観的スコアリングツール(post)を用いた深層学習による尿道プレート品質の自動定量化
- Authors: Tariq O. Abbas, Mohamed AbdelMoniem, Ibrahim Khalil, Md Sakib Abrar
Hossain, Muhammad E. H. Chowdhury
- Abstract要約: 深層学習に基づくランドマーク検出モデルの開発と検証を行う。
モデルでは、平均平均精度(mAP)は99.5%、感度は99.1%である。
- 参考スコア（独自算出の注目度）: 2.8558942410497066
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objectives: To explore the capacity of deep learning algorithm to further
streamline and optimize urethral plate (UP) quality appraisal on 2D images
using the plate objective scoring tool (POST), aiming to increase the
objectivity and reproducibility of UP appraisal in hypospadias repair. Methods:
The five key POST landmarks were marked by specialists in a 691-image dataset
of prepubertal boys undergoing primary hypospadias repair. This dataset was
then used to develop and validate a deep learning-based landmark detection
model. The proposed framework begins with glans localization and detection,
where the input image is cropped using the predicted bounding box. Next, a deep
convolutional neural network (CNN) architecture is used to predict the
coordinates of the five POST landmarks. These predicted landmarks are then used
to assess UP quality in distal hypospadias. Results: The proposed model
accurately localized the glans area, with a mean average precision (mAP) of
99.5% and an overall sensitivity of 99.1%. A normalized mean error (NME) of
0.07152 was achieved in predicting the coordinates of the landmarks, with a
mean squared error (MSE) of 0.001 and a 20.2% failure rate at a threshold of
0.1 NME. Conclusions: This deep learning application shows robustness and high
precision in using POST to appraise UP quality. Further assessment using
international multi-centre image-based databases is ongoing. External
validation could benefit deep learning algorithms and lead to better
assessments, decision-making and predictions for surgical outcomes.
- Abstract（参考訳）: 目的: 皿客観評価ツール(POST)を用いて, 2次元画像上での尿道プレート(UP)品質評価をさらに合理化し, 最適化する深層学習アルゴリズムの能力を探究し, 視床下部修復におけるUP評価の客観性と再現性を高めることを目的とした。
方法: 5つの主要なPOSTのランドマークは、691年の未熟児の一次下垂体修復中のデータセットのスペシャリストによってマークされた。
このデータセットは、深層学習に基づくランドマーク検出モデルの開発と検証に使用される。
提案手法はglansのローカライゼーションと検出から始まり,予測された境界ボックスを用いて入力画像をトリミングする。
次に、深い畳み込みニューラルネットワーク(CNN)アーキテクチャを使用して、5つのPOSTランドマークの座標を予測する。
これらの予測されたランドマークは、遠位下腹部のUP品質を評価するために使用される。
結果: 提案モデルは, 平均精度99.5%, 総合感度99.1%のglans領域を高精度に局所化した。
0.07152の正規化平均誤差(NME)は、平均2乗誤差(MSE)が0.001、故障率が20.2%で0.1NMEであるランドマークの座標を予測するために達成された。
結論: このディープラーニングアプリケーションは、POSTを使用してUP品質を評価する際に、堅牢性と高い精度を示す。
国際マルチ中心画像データベースによるさらなる評価が進行中である。
外部検証はディープラーニングアルゴリズムに効果があり、手術の結果に対する評価、意思決定、予測が向上する可能性がある。
関連論文リスト
- A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。
損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。
ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
論文 参考訳（メタデータ） (2024-09-24T20:22:59Z) - Rank-DETR for High Quality Object Detection [52.82810762221516]
高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。
本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
論文 参考訳（メタデータ） (2023-10-13T04:48:32Z) - Bridging Precision and Confidence: A Train-Time Loss for Calibrating
Object Detection [58.789823426981044]
本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。
その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
論文 参考訳（メタデータ） (2023-03-25T08:56:21Z) - A Computer Vision Enabled damage detection model with improved YOLOv5
based on Transformer Prediction Head [0.0]
現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。
DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。
DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
論文 参考訳（メタデータ） (2023-03-07T22:53:36Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - 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) - Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark
Detection in Medical Images [15.7026400415269]
本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。
提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
論文 参考訳（メタデータ） (2021-05-19T13:39:18Z) - Automated Detection of Patellofemoral Osteoarthritis from Knee Lateral
View Radiographs Using Deep Learning: Data from the Multicenter
Osteoarthritis Study (MOST) [3.609538870261841]
本論文では,PFOA(Automatic Patello大腿骨関節症)検出法を提案する。
膝側方X線写真から乳頭領域を訓練した深層学習モデルでは、患者特性や臨床評価に基づくモデルよりもPFOAの予測が優れています。
論文 参考訳（メタデータ） (2021-01-12T08:37:55Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z) - PIVEN: A Deep Neural Network for Prediction Intervals with Specific
Value Prediction [14.635820704895034]
PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。
提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
論文 参考訳（メタデータ） (2020-06-09T09:29:58Z)
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。