論文の概要: A Comprehensive Study of Radiomics-based Machine Learning for Fibrosis Detection

• arxiv url: http://arxiv.org/abs/2211.14396v1
• Date: Fri, 25 Nov 2022 22:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:09:53.956728
• Title: A Comprehensive Study of Radiomics-based Machine Learning for Fibrosis Detection
• Title（参考訳）: 線維症検出のための放射能に基づく機械学習の総合的研究
• Authors: Jay J. Yoo, Khashayar Namdar, Chris McIntosh, Farzad Khalvati and Patrik Rogalla
• Abstract要約: 我々は,CT画像における機械学習による線維化検出の包括的研究を行い,非侵襲的線維化検出法を開発した。 コントラスト,正規化,機械学習モデル,特徴選択法,ビン幅,カーネル半径の組み合わせについて検討した。 Gamma correct with $gamma = 1.5$ performed for fibrosis detection。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: Early detection of liver fibrosis can help cure the disease or prevent disease progression. We perform a comprehensive study of machine learning-based fibrosis detection in CT images using radiomic features to develop a non-invasive approach to fibrosis detection. Methods: Two sets of radiomic features were extracted from spherical ROIs in CT images of 182 patients who underwent simultaneous liver biopsy and CT examinations, one set corresponding to biopsy locations and another distant from biopsy locations. Combinations of contrast, normalization, machine learning model, feature selection method, bin width, and kernel radius were investigated, each of which were trained and evaluated 100 times with randomized development and test cohorts. The best settings were evaluated based on their mean test AUC and the best features were determined based on their frequency among the best settings. Results: Logistic regression models with NC images normalized using Gamma correction with $\gamma = 1.5$ performed best for fibrosis detection. Boruta was the best for radiomic feature selection method. Training a model using these optimal settings and features consisting of first order energy, first order kurtosis, and first order skewness, resulted in a model that achieved mean test AUCs of 0.7549 and 0.7166 on biopsy-based and non-biopsy ROIs respectively, outperforming a baseline and best models found during the initial study. Conclusions: Logistic regression models trained on radiomic features from NC images normalized using Gamma correction with $\gamma = 1.5$ that underwent Boruta feature selection are effective for liver fibrosis detection. Energy, kurtosis, and skewness are particularly effective features for fibrosis detection.
• Abstract（参考訳）: 目的:肝線維症の早期発見は疾患の治療や疾患の進行の予防に役立つ。 我々は,CT画像における機械学習による線維化検出の総合的研究を行い,非侵襲的線維化検出法を開発した。 方法: 肝生検およびCT検査を同時施行した182例のCT像から, 生検部位と生検部位から離れた部位の2種類の放射能像を抽出した。 コントラスト, 正規化, 機械学習モデル, 特徴選択法, ビン幅, カーネル半径の組合せについて検討し, ランダム化開発, テストコホートを100回行った。 最適な設定は平均テストAUCに基づいて評価され、最高の設定の頻度に基づいて最適な特徴が決定された。 結果: nc画像を用いたロジスティック回帰モデルは,$\gamma = 1.5$のガンマ補正により正常化した。 ボルタは放射線特徴選択法に最適であった。 これらの最適設定と特徴を1次エネルギー、第1次カルテシス、第1次スキューネスからなるモデルを用いてトレーニングした結果、バイオプシーベースと非バイオプシーROIで平均AUCが0.7549および0.7166に達し、最初の研究で見いだされたベースラインとベストモデルを上回った。 結論: ガンマ補正法を用いて正規化したNC画像からの放射能特性を訓練したロジスティック回帰モデルにおいて, ボルタ特徴選択による肝線維化検出に有効である。 エネルギー, クルトシス, スキューネスは線維化の検出に特に有効な特徴である。

関連論文リスト

• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive Learning [19.948079693716075]
  提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。 77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:03:57Z)
• Comparison of retinal regions-of-interest imaged by OCT for the classification of intermediate AMD [3.0171643773711208]
  269名の中間AMD患者と115名の健常者から15744名のBスキャンを行った。 各サブセットについて、畳み込みニューラルネットワーク(VGG16アーキテクチャに基づいて、ImageNetで事前トレーニングされた)をトレーニングし、テストした。 モデルの性能は, 受信動作特性(AUROC), 精度, 感度, 特異性に基づいて評価した。
  論文  参考訳（メタデータ） (2023-05-04T13:48:55Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• 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)
• Deep Learning for Segmentation-based Hepatic Steatosis Detection on Open Data: A Multicenter International Validation Study [5.117364766785943]
  この3段階のAIワークフローは、3D肝セグメンテーション、肝減衰測定、肝脂肪症検出からなる。 ディープラーニングセグメンテーションの平均係数は0.957。 普遍的な検出に採用されれば、このディープラーニングシステムは、早期に非侵襲的で非薬学的な予防的介入を可能にする可能性がある。
  論文  参考訳（メタデータ） (2022-10-27T03:24:52Z)
• A Flexible Three-Dimensional Hetero-phase Computed Tomography Hepatocellular Carcinoma (HCC) Detection Algorithm for Generalizable and Practical HCC Screening [18.78910829126741]
  肝細胞癌 (HCC) は腹部CTで診断できる可能性がある。 我々は異相体積検出(HPVD)と呼ばれる柔軟な3次元深度アルゴリズムを開発した。 HPVDは、コントラストフェーズの入力の組み合わせと、臨床目的に応じて調整可能な感度を受け入れることができる。
  論文  参考訳（メタデータ） (2021-08-17T08:14:29Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
  本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。 ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。 新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
  論文  参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。