論文の概要: MobilePTX: Sparse Coding for Pneumothorax Detection Given Limited Training Examples

• arxiv url: http://arxiv.org/abs/2212.03282v1
• Date: Tue, 6 Dec 2022 19:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 16:05:50.937224
• Title: MobilePTX: Sparse Coding for Pneumothorax Detection Given Limited Training Examples
• Title（参考訳）: MobilePTX:限られた訓練例による気胸検出のためのスパース符号化
• Authors: Darryl Hannan (1), Steven C. Nesbit (1), Ximing Wen (1), Glen Smith (1), Qiao Zhang (1), Alberto Goffi (2), Vincent Chan (2), Michael J. Morris (3), John C. Hunninghake (3), Nicholas E. Villalobos (3), Edward Kim (1), Rosina O. Weber (1) and Christopher J. MacLellan (4) ((1) Drexel University, (2) University of Toronto, (3) Brooke Army Medical Center, (4) Georgia Institute of Technology)
• Abstract要約: ポイント・オブ・ケア超音波(Point-of-Care Ultrasound、POCUS)は、臨床医が患者のベッドサイドで行う超音波検査である。 2つの肺超音波データセットを用いて,本モデルが肺気胸同定における中小企業と同等の性能を発揮することを示す。 次に、iPad Proで4秒未満で、iPhone 13 Proで8秒未満でフルシステムを実行するiOSアプリケーションを開発しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Point-of-Care Ultrasound (POCUS) refers to clinician-performed and interpreted ultrasonography at the patient's bedside. Interpreting these images requires a high level of expertise, which may not be available during emergencies. In this paper, we support POCUS by developing classifiers that can aid medical professionals by diagnosing whether or not a patient has pneumothorax. We decomposed the task into multiple steps, using YOLOv4 to extract relevant regions of the video and a 3D sparse coding model to represent video features. Given the difficulty in acquiring positive training videos, we trained a small-data classifier with a maximum of 15 positive and 32 negative examples. To counteract this limitation, we leveraged subject matter expert (SME) knowledge to limit the hypothesis space, thus reducing the cost of data collection. We present results using two lung ultrasound datasets and demonstrate that our model is capable of achieving performance on par with SMEs in pneumothorax identification. We then developed an iOS application that runs our full system in less than 4 seconds on an iPad Pro, and less than 8 seconds on an iPhone 13 Pro, labeling key regions in the lung sonogram to provide interpretable diagnoses.
• Abstract（参考訳）: pocus (point-of-care ultrasound) は、患者のベッドサイドにおける臨床医による超音波検査である。 これらの画像の解釈には高度な専門知識が必要であり、緊急時に利用できない可能性がある。 本稿では,患者に気胸の有無を診断し,医療従事者を支援する分類器を開発することによりPOCUSを支援する。 タスクを複数のステップに分解し、yolov4を使ってビデオの関連領域を抽出し、ビデオの特徴を表す3dスパースコーディングモデルを作成した。 正のトレーニングビデオを取得することの難しさから, 正の15例, 負の32例の小さな分類器を訓練した。 この制限に対処するため,我々はSMEの知識を利用して仮説空間を制限し,データ収集のコストを削減した。 2つの肺超音波データセットを用いて,本モデルが気胸同定における中小企業と同等の性能を発揮することを示す。 そして、ipad proで全システムを4秒未満で動作させ、iphone 13 proで8秒未満で動作させるiosアプリを開発しました。

関連論文リスト

• FunnelNet: An End-to-End Deep Learning Framework to Monitor Digital Heart Murmur in Real-Time [5.408260756721024]
  心室は、心臓内の乱流によって生じる異常な音である。 本研究は,従来型および深部畳み込み型ネットワークを用いた,エンドツーエンドの心臓外傷検出手法を開発することを目的とする。
  論文  参考訳（メタデータ） (2024-05-10T03:12:17Z)
• Deep reproductive feature generation framework for the diagnosis of COVID-19 and viral pneumonia using chest X-ray images [0.0]
  最先端の8つの深層畳み込みニューラルネットワーク(CNN)とオートエンコーダを用いた2段階特徴抽出フレームワークを提案する。 X線スキャンは4つの同じ大きさのセクションに分けられ、深層学習CNNによって分析される。 隠れた3つの層を持つオートエンコーダは、CNNの出力から生殖機能を抽出するために訓練される。
  論文  参考訳（メタデータ） (2023-04-20T23:52:21Z)
• Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy [0.0]
  本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。 このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。 我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-24T12:18:25Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• New Bag of Deep Visual Words based features to classify chest x-ray images for COVID-19 diagnosis [0.152292571922932]
  Bag of Visual Words(BoVW)ベースの機能は、X線タイプの画像に適しています。 特徴マップの正規化ステップを削除し,Bag of Deep Visual Words (BoDVW) と呼ばれる深部機能に対する新たなBoVW法を提案する。 SVM(Support Vector Machine)を用いた胸部X線分類におけるBoDVW機能の有効性を評価し、COVID-19の診断を行った。
  論文  参考訳（メタデータ） (2020-12-31T02:57:02Z)
• Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs Including Severely Unhealthy Images [5.826056983051642]
  胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。 正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。 提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
  論文  参考訳（メタデータ） (2020-11-19T07:21:02Z)
• Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
  本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。 第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。 第2段階は、心拍を幅または幅に分類する分類NNである。 第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
  論文  参考訳（メタデータ） (2020-11-17T16:15:49Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。