論文の概要: Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus
- arxiv url: http://arxiv.org/abs/2303.17915v1
- Date: Fri, 31 Mar 2023 09:23:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:43:12.776009
- Title: Multiple Instance Ensembling For Paranasal Anomaly Classification In The
Maxillary Sinus
- Title(参考訳): 上顎洞における副鼻腔奇形分類のための複数例のセンセンシング
- Authors: Debayan Bhattacharya, Finn Behrendt, Benjamin Tobias Becker, Dirk
Beyersdorff, Elina Petersen, Marvin Petersen, Bastian Cheng, Dennis Eggert,
Christian Betz, Anna Sophie Hoffmann, Alexander Schlaefer
- Abstract要約: 副鼻腔奇形は幅広い形態学的特徴を持つ。
副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。
3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
- 参考スコア(独自算出の注目度): 46.1292414445895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Paranasal anomalies are commonly discovered during routine radiological
screenings and can present with a wide range of morphological features. This
diversity can make it difficult for convolutional neural networks (CNNs) to
accurately classify these anomalies, especially when working with limited
datasets. Additionally, current approaches to paranasal anomaly classification
are constrained to identifying a single anomaly at a time. These challenges
necessitate the need for further research and development in this area.
In this study, we investigate the feasibility of using a 3D convolutional
neural network (CNN) to classify healthy maxillary sinuses (MS) and MS with
polyps or cysts. The task of accurately identifying the relevant MS volume
within larger head and neck Magnetic Resonance Imaging (MRI) scans can be
difficult, but we develop a straightforward strategy to tackle this challenge.
Our end-to-end solution includes the use of a novel sampling technique that not
only effectively localizes the relevant MS volume, but also increases the size
of the training dataset and improves classification results. Additionally, we
employ a multiple instance ensemble prediction method to further boost
classification performance. Finally, we identify the optimal size of MS volumes
to achieve the highest possible classification performance on our dataset.
With our multiple instance ensemble prediction strategy and sampling
strategy, our 3D CNNs achieve an F1 of 0.85 whereas without it, they achieve an
F1 of 0.70.
We demonstrate the feasibility of classifying anomalies in the MS. We propose
a data enlarging strategy alongside a novel ensembling strategy that proves to
be beneficial for paranasal anomaly classification in the MS.
- Abstract(参考訳): 副鼻腔奇形は定期的な放射線スクリーニング中に発見され、様々な形態的特徴を持つ。
この多様性により、特に限られたデータセットを扱う場合、畳み込みニューラルネットワーク(CNN)がこれらの異常を正確に分類することが難しくなる。
さらに、現在、副鼻腔異常分類へのアプローチは、一度に一つの異常を特定することに制約されている。
これらの課題は、この分野でさらなる研究と開発を必要としている。
本研究では,3次元畳み込みニューラルネットワーク(CNN)を用いて,正常な上顎洞結節(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
頭頸部磁気共鳴画像(MRI)スキャンにおいて関連MS体積を正確に同定する作業は困難であるが,本課題に対処するための簡単な戦略を開発する。
エンド・ツー・エンドのソリューションには,MSボリュームを効果的にローカライズするだけでなく,トレーニングデータセットのサイズを拡大し,分類結果を改善する新しいサンプリング手法が用いられている。
さらに,複数インスタンスアンサンブル予測手法を用いて分類性能の向上を行った。
最後に,MSボリュームの最適サイズを特定し,データセット上で最高の分類性能を実現する。
複数のインスタンスアンサンブル予測戦略とサンプリング戦略により、3D CNNは0.85のF1を達成するが、それなしでは0.70のF1を達成する。
我々は,MSにおける異常分類の可能性を示すとともに,MSにおける異常分類に有用であることを示す新しいアンサンブル戦略とともに,データ拡張戦略を提案する。
関連論文リスト
- Self-supervised learning for classifying paranasal anomalies in the maxillary sinus [31.45131665942058]
自己教師付き学習は、ラベルのないデータから表現を学習するために使用することができる。
上顎洞の副鼻腔奇形を分類する下流タスクのために設計されたSSLメソッドはない。
提案手法では,教師なし異常検出フレームワークで訓練された3次元畳み込みオートエンコーダを用いる。
論文 参考訳(メタデータ) (2024-04-29T11:14:11Z) - Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection [35.46541584018842]
非教師なし異常検出(UAD)は、病理分類の有効な代替手段として現れる。
近年のUAD異常スコアリング機能は、強度のみに焦点を合わせ、構造的差異を無視することが多く、セグメンテーション性能を損なう。
構造的類似性(SSIM)は強度と構造的格差の両方を捉え、古典的な$l1$エラーよりも有利である。
論文 参考訳(メタデータ) (2024-03-21T09:50:39Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - BSSAD: Towards A Novel Bayesian State-Space Approach for Anomaly
Detection in Multivariate Time Series [0.0]
ベイジアン状態空間異常検出(BSSAD)と呼ばれる新しい,革新的な異常検出手法を提案する。
提案手法の設計は,ベイズ状態空間アルゴリズムの次の状態予測における強みと,繰り返しニューラルネットワークとオートエンコーダの有効性を組み合わせたものである。
特に,粒子フィルタとアンサンブルカルマンフィルタのベイズ状態空間モデルの利用に着目する。
論文 参考訳(メタデータ) (2023-01-30T16:21:18Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - An anatomically-informed 3D CNN for brain aneurysm classification with
weak labels [0.2010294990327175]
弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。
当社のアプローチは,データセット生成の非自明な課題に端を発しています。
本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
論文 参考訳(メタデータ) (2020-11-27T08:00:54Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z)
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。