論文の概要: Optimizing Convolutional Neural Networks for Chronic Obstructive
Pulmonary Disease Detection in Clinical Computed Tomography Imaging
- arxiv url: http://arxiv.org/abs/2303.07189v1
- Date: Mon, 13 Mar 2023 15:30:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 14:13:42.335888
- Title: Optimizing Convolutional Neural Networks for Chronic Obstructive
Pulmonary Disease Detection in Clinical Computed Tomography Imaging
- Title（参考訳）: 臨床CTにおける慢性閉塞性肺疾患検出のための畳み込みニューラルネットワークの最適化
- Authors: Tina Dorosti (1-3), Manuel Schultheiss (1-3), Felix Hofmann (3), Luisa
Kirchner (3), Theresa Urban (1-3), Franz Pfeiffer (1-4), Johannes Thalhammer
(1-3), Florian Schaff (1 and 2), Tobias Lasser (2 and 5), and Daniela
Pfeiffer (1-4) ((1) Chair of Biomedical Physics, Department of Physics,
School of Natural Sciences, Technical University of Munich, Germany, (2)
Munich Institute of Biomedical Engineering, Technical University of Munich,
Germany, (3) Department of Diagnostic and Interventional Radiology, School of
Medicine, Klinikum rechts der Isar, Technical University of Munich, Germany,
(4) Institute for Advanced Study, Technical University of Munich, Germany,
(5) Computational Imaging and Inverse Problems, Department of Informatics,
School of Computation, Information, and Technology, Technical University of
Munich, Germany)
- Abstract要約: 慢性閉塞性肺疾患(COPD)は世界中で死因となっている。
胸部X線CT検査は肺の形態変化の指標となる。
深層学習モデルを用いて, COPDの自動検出が可能であることが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chronic Obstructive Pulmonary Disease (COPD) is a leading cause of death
worldwide, yet early detection and treatment can prevent the progression of the
disease. In contrast to the conventional method of detecting COPD with
spirometry tests, X-ray Computed Tomography (CT) scans of the chest provide a
measure of morphological changes in the lung. It has been shown that automated
detection of COPD can be performed with deep learning models. However, the
potential of incorporating optimal window setting selection, typically carried
out by clinicians during examination of CT scans for COPD, is generally
overlooked in deep learning approaches. We aim to optimize the binary
classification of COPD with densely connected convolutional neural networks
(DenseNets) through implementation of manual and automated Window-Setting
Optimization (WSO) steps. Our dataset consisted of 78 CT scans from the
Klinikum rechts der Isar research hospital. Repeated inference on the test set
showed that without WSO, the plain DenseNet resulted in a mean slice-level AUC
of 0.80$\pm$0.05. With input images manually adjusted to the emphysema window
setting, the plain DenseNet model predicted COPD with a mean AUC of
0.86$\pm$0.04. By automating the WSO through addition of a customized layer to
the DenseNet, an optimal window setting in the proximity of the emphysema
window setting was learned and a mean AUC of 0.82$\pm$0.04 was achieved.
Detection of COPD with DenseNet models was optimized by WSO of CT data to the
emphysema window setting range, demonstrating the importance of implementing
optimal window setting selection in the deep learning pipeline.
- Abstract（参考訳）: 慢性閉塞性肺疾患(copd)は世界中で主要な死因であるが、早期発見と治療は肺疾患の進行を予防することができる。
胸部CT(X線CT)による肺形態変化の計測は,従来の呼吸機能検査法とは対照的に,胸部CT検査は肺形態変化の指標となる。
深層学習モデルを用いて, COPDの自動検出が可能であることが示されている。
しかし, COPD のCT スキャン検査において臨床医が行う最適なウィンドウ設定選択を組み込むことの可能性は, 一般的には深層学習のアプローチでは見過ごされがちである。
我々は、手動および自動ウィンドウセッティング最適化(WSO)ステップの実装により、密結合畳み込みニューラルネットワーク(DenseNets)によるPDのバイナリ分類を最適化することを目指している。
我々のデータセットは、klinikum rechts der isar research hospitalの78のctスキャンで構成されていた。
テストセットで繰り返し推測した結果、WSOがなければ、普通のDenseNetの平均スライスレベルAUCは0.80$\pm$0.05となった。
入力画像は気腫ウィンドウ設定に手動で調整され、普通のDenseNetモデルは平均AUCが0.86$\pm$0.04と予測した。
DenseNetにカスタマイズされたレイヤを追加してWSOを自動化することにより、気腫窓設定に近い最適なウィンドウ設定が学習され、平均AUCは0.82$\pm$0.04となった。
DenseNet モデルによる COPD の検出は,CT データの WSO から気腫窓設定範囲に最適化され,深層学習パイプラインにおいて最適なウィンドウ設定を選択することの重要性が示された。
関連論文リスト
- Domain-specific augmentations with resolution agnostic self-attention mechanism improves choroid segmentation in optical coherence tomography images [3.8485899972356337]
脈絡膜は眼の重要な血管層であり、網膜光受容体に酸素を供給する。
現在、コロイドを測定するには、独立した半自動および深層学習に基づく複数のアルゴリズムを使う必要がある。
我々は、コロイドセグメンテーション(REACH)のためのロバストで解像度に依存しない、効果的な注意に基づくネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-23T11:35:23Z) - 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) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳（メタデータ） (2022-10-17T21:38:38Z) - 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) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳（メタデータ） (2021-05-14T19:40:16Z) - SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere
Representation and Center Points Matching [47.79483848496141]
3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。
アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。
提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-04-12T05:51:29Z) - Prediction of progressive lens performance from neural network
simulations [62.997667081978825]
本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。
提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
論文 参考訳（メタデータ） (2021-03-19T14:51:02Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Deep Learning Based Detection and Localization of Intracranial Aneurysms
in Computed Tomography Angiography [5.973882600944421]
初期動脈瘤検出のための3D領域提案ネットワークと偽陽性縮小のための3D DenseNetという2段階モデルが実装された。
本モデルでは,0.25FPPV,最高F-1スコアと比較すると,統計的に高い精度,感度,特異性を示した。
論文 参考訳（メタデータ） (2020-05-22T10:49:23Z) - Detection of Obstructive Sleep Apnoea Using Features Extracted from
Segmented Time-Series ECG Signals Using a One Dimensional Convolutional
Neural Network [0.19686770963118383]
本研究は,単チャンネル心電図(ECG)信号から得られた閉塞性睡眠時無呼吸症(OSA)の自動検出を目的とした1次元畳み込みニューラルネットワーク(1DCNN)モデルを提案する。
このモデルは、畳み込み、最大プール層と、隠蔽層とSoftMax出力からなる完全に接続された多層パーセプトロン(MLP)を用いて構成されている。
これは、モデルが高い精度でApnoeaの存在を識別できることを示している。
論文 参考訳（メタデータ） (2020-02-03T15:47:00Z)
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。