論文の概要: An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis
- arxiv url: http://arxiv.org/abs/2302.09696v1
- Date: Sun, 19 Feb 2023 23:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 17:05:33.262597
- Title: An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis
- Title（参考訳）: 肺の異常診断を改善する胸部x線リブ抑制の効率的でロバストな方法
- Authors: Di Xu, Qifan Xu, Kevin Nhieu, Dan Ruan and Ke Sheng
- Abstract要約: 胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
- 参考スコア（独自算出の注目度）: 0.49998148477760956
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Suppression of thoracic bone shadows on chest X-rays (CXRs) has been
indicated to improve the diagnosis of pulmonary disease. Previous approaches
can be categorized as unsupervised physical and supervised deep learning
models. Nevertheless, with physical models able to preserve morphological
details but at the cost of extremely long processing time, existing DL methods
face challenges of gathering sufficient/qualitative ground truth (GT) for
robust training, thus leading to failure in maintaining clinically acceptable
false positive rates. We hereby propose a generalizable yet efficient workflow
of two stages: (1) training pairs generation with GT bone shadows eliminated in
by a physical model in spatially transformed gradient fields. (2) fully
supervised image denoising network training on stage-one datasets for fast rib
removal on incoming CXRs. For step two, we designed a densely connected network
called SADXNet, combined with peak signal to noise ratio and multi-scale
structure similarity index measure objective minimization to suppress bony
structures. The SADXNet organizes spatial filters in U shape (e.g., X=7;
filters = 16, 64, 256, 512, 256, 64, 16) and preserves the feature map
dimension throughout the network flow. Visually, SADXNet can suppress the rib
edge and that near the lung wall/vertebra without jeopardizing the
vessel/abnormality conspicuity. Quantitively, it achieves RMSE of ~0 during
testing with one prediction taking <1s. Downstream tasks including lung nodule
detection as well as common lung disease classification and localization are
used to evaluate our proposed rib suppression mechanism. We observed 3.23% and
6.62% area under the curve (AUC) increase as well as 203 and 385 absolute false
positive decrease for lung nodule detection and common lung disease
localization, separately.
- Abstract（参考訳）: 胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
それにもかかわらず、物理的モデルが形態学的詳細を保存できるが、非常に長い処理時間のコストで、既存のdl法は、堅牢なトレーニングのために十分な/適格な根拠真理(gt)を収集する困難に直面し、臨床的に許容される偽陽性率を維持するのに失敗する。
本稿では,(1)空間変換勾配場における物理モデルにより排除されたGT骨影を用いたトレーニングペアの生成という,一般化可能かつ効率的な2段階のワークフローを提案する。
2) CXRを高速に除去するために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
ステップ2では,ピーク信号と雑音比,マルチスケール構造類似度指標の客観的最小化と組み合わせた,sadxnetと呼ばれる密結合ネットワークを設計した。
SADXNetは、空間フィルタをU字型(例えば、X=7、フィルタ = 16, 64, 256, 512, 256, 64, 16)に整理し、ネットワークフロー全体の特徴マップ次元を保存する。
視覚的には、SADXNetは、血管/異常を危険にさらすことなく、リブ縁と肺壁/めまい付近を抑えることができる。
定量的には、テスト中は ~0 のRMSEを達成し、一つの予測は <1s である。
提案するリブ抑制機構の評価には,肺結節の検出,肺疾患の分類,局在などの下流課題が用いられる。
3.23%および6.62%の範囲でauc値が上昇し、203および385の絶対偽陽性率は肺結節の検出と共通肺疾患の局在に別々に低下した。
関連論文リスト
- Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。
本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
論文 参考訳（メタデータ） (2020-12-17T09:53:51Z) - 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) - CT Image Segmentation for Inflamed and Fibrotic Lungs Using a
Multi-Resolution Convolutional Neural Network [6.177921466996229]
本研究の目的は, 各種密度増強肺異常に対して頑健な完全自動セグメンテーションアルゴリズムを開発することである。
急性肺障害を患うヒトの左肺と右肺に特異的にラベル付けされた肺と非特異的にラベル付けされた肺の両方を1つのニューラルネットワークのトレーニングに組み込んだ多形性訓練手法が提案されている。
結果として生じるネットワークは、ヒトの左右の肺領域を、びまん性オパーシフィケーションと凝縮を伴わずに予測することを目的としている。
論文 参考訳（メタデータ） (2020-10-16T18:25:59Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - 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)
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。