論文の概要: Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8
Algorithm
- arxiv url: http://arxiv.org/abs/2304.05071v5
- Date: Tue, 14 Nov 2023 07:59:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-15 19:00:53.845660
- Title: Fracture Detection in Pediatric Wrist Trauma X-ray Images Using YOLOv8
Algorithm
- Title(参考訳): YOLOv8アルゴリズムを用いた小児関節外傷X線画像の破壊検出
- Authors: Rui-Yang Ju, Weiming Cai
- Abstract要約: 我々は,小児手首外傷X線データセット上でのYOLOv8アルゴリズムのモデル性能を向上させるためにデータ拡張を利用する。
実験結果から,本モデルが平均精度(mAP 50)に到達したことが明らかとなった。
小児手関節外傷X線画像の骨折検出に外科医が利用できるように, YOLOv8 App を用いたフラクチャー検出法を考案した。
- 参考スコア(独自算出の注目度): 0.2797210504706914
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hospital emergency departments frequently receive lots of bone fracture
cases, with pediatric wrist trauma fracture accounting for the majority of
them. Before pediatric surgeons perform surgery, they need to ask patients how
the fracture occurred and analyze the fracture situation by interpreting X-ray
images. The interpretation of X-ray images often requires a combination of
techniques from radiologists and surgeons, which requires time-consuming
specialized training. With the rise of deep learning in the field of computer
vision, network models applying for fracture detection has become an important
research topic. In this paper, we use data augmentation to improve the model
performance of YOLOv8 algorithm (the latest version of You Only Look Once) on a
pediatric wrist trauma X-ray dataset (GRAZPEDWRI-DX), which is a public
dataset. The experimental results show that our model has reached the
state-of-the-art (SOTA) mean average precision (mAP 50). Specifically, mAP 50
of our model is 0.638, which is significantly higher than the 0.634 and 0.636
of the improved YOLOv7 and original YOLOv8 models. To enable surgeons to use
our model for fracture detection on pediatric wrist trauma X-ray images, we
have designed the application "Fracture Detection Using YOLOv8 App" to assist
surgeons in diagnosing fractures, reducing the probability of error analysis,
and providing more useful information for surgery.
- Abstract(参考訳): 病院の救急部門では、多くの骨折が頻繁に発生し、そのほとんどが小児手首外傷骨折である。
小児外科医が手術を行う前は,骨折がどのように発生したか患者に質問し,x線像を解釈して骨折状況を分析する必要がある。
X線画像の解釈は、しばしば放射線医と外科医の技法の組み合わせを必要とする。
コンピュータビジョンの分野におけるディープラーニングの台頭に伴い、破壊検出に適用するネットワークモデルが重要な研究課題となっている。
本稿では,公衆データセットである小児手首外傷x線データセット(grazpedwri-dx)におけるyolov8アルゴリズム(最新版は1回しか見ることができない)のモデル性能向上のためにデータ拡張を用いた。
実験結果から,本モデルが平均精度(mAP 50)に到達したことが明らかとなった。
具体的には、我々のモデルのmAP 50は0.638であり、改良されたYOLOv7および元のYOLOv8モデルの0.634および0.636よりも大幅に高い。
小児手関節外傷X線画像の骨折検出に外科医が利用できるように, 手術者の骨折診断を支援し, エラー解析の可能性を低減し, 手術に有用な情報を提供するアプリケーション「YOLOv8 Appを用いたフラクチャー検出」を設計した。
関連論文リスト
- Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Artificial Intelligence for Automatic Detection and Classification
Disease on the X-Ray Images [0.0]
本研究では,Deep Learning Pre-trained RepVGGアルゴリズムを用いて肺疾患の迅速検出を行う。
我々は、人の肺の患部の自動ハイライト検出に人工知能技術を適用している。
論文 参考訳(メタデータ) (2022-11-14T03:51:12Z) - Fast and Robust Femur Segmentation from Computed Tomography Images for
Patient-Specific Hip Fracture Risk Screening [48.46841573872642]
我々は,CTから大腿骨近位部を完全自動化し,正確かつ高速に分割するディープニューラルネットワークを提案する。
本手法は, 股関節骨折リスクスクリーニングに適応し, 当科において, 股関節脱臼患者をスクリーニングするための臨床的選択肢に一歩近づいた。
論文 参考訳(メタデータ) (2022-04-20T16:16:16Z) - A Deep Learning Technique using a Sequence of Follow Up X-Rays for
Disease classification [3.3345134768053635]
深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者の中心である。
最新の胸部X線像3例の追跡歴を含む患者のX線像は, 疾患分類において良好な成績を示すと推定された。
論文 参考訳(メタデータ) (2022-03-28T19:58:47Z) - Fracture Detection in Wrist X-ray Images Using Deep Learning-Based
Object Detection Models [0.0]
本研究の目的は,手首X線画像の深部学習によるフラクチャー検出である。
その結果, WFD_Cモデルでは, 26種類の骨折が検出され, 平均精度が0.8639であった。
論文 参考訳(メタデータ) (2021-11-14T14:21:24Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs [0.812774532310979]
本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
5000件の研究から得られた10,468個の脊椎X線画像からなる大規模なデータセットを構築した。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
論文 参考訳(メタデータ) (2021-06-24T11:45:44Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳(メタデータ) (2021-06-13T11:20:31Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection [1.0617212070722408]
関節リウマチは最も頻度の高い骨折である。
近年のDeep Learning(DL)分野の進歩は、畳み込みニューラルネットワークを用いて手首骨折検出を自動化できることを示している。
以上の結果から,DeepWristのような最先端のアプローチは,挑戦的なテストセットにおいて大幅に性能が低下していることが判明した。
論文 参考訳(メタデータ) (2020-12-04T13:35:36Z) - 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。