論文の概要: Reproducibility analysis of automated deep learning based localisation
of mandibular canals on a temporal CBCT dataset
- arxiv url: http://arxiv.org/abs/2305.14385v1
- Date: Fri, 28 Apr 2023 11:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 04:52:44.398892
- Title: Reproducibility analysis of automated deep learning based localisation
of mandibular canals on a temporal CBCT dataset
- Title（参考訳）: 時間的CBCTデータセットを用いた下顎管の自動深層学習の再現性解析
- Authors: Jorma J\"arnstedt, Jaakko Sahlsten, Joel Jaskari, Kimmo Kaski, Helena
Mehtonen, Ari Hietanen, Osku Sundqvist, Vesa Varjonen, Vesa Mattila, Sangsom
Prapayasotok, Sakarat Nalampang
- Abstract要約: 下顎管の術前診断は顎顔面手術に不可欠である。
本研究では, 深層学習システム(DLS)のラジオロジカルな評価を165個のCBCTスキャンで行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Preoperative radiological identification of mandibular canals is essential
for maxillofacial surgery. This study demonstrates the reproducibility of a
deep learning system (DLS) by evaluating its localisation performance on 165
heterogeneous cone beam computed tomography (CBCT) scans from 72 patients in
comparison to an experienced radiologist's annotations. We evaluated the
performance of the DLS using the symmetric mean curve distance (SMCD), the
average symmetric surface distance (ASSD), and the Dice similarity coefficient
(DSC). The reproducibility of the SMCD was assessed using the within-subject
coefficient of repeatability (RC). Three other experts rated the diagnostic
validity twice using a 0-4 Likert scale. The reproducibility of the Likert
scoring was assessed using the repeatability measure (RM). The RC of SMCD was
0.969 mm, the median (interquartile range) SMCD and ASSD were 0.643 (0.186) mm
and 0.351 (0.135) mm, respectively, and the mean (standard deviation) DSC was
0.548 (0.138). The DLS performance was most affected by postoperative changes.
The RM of the Likert scoring was 0.923 for the radiologist and 0.877 for the
DLS. The mean (standard deviation) Likert score was 3.94 (0.27) for the
radiologist and 3.84 (0.65) for the DLS. The DLS demonstrated proficient
qualitative and quantitative reproducibility, temporal generalisability, and
clinical validity.
- Abstract（参考訳）: 下顎管の術前診断は顎顔面手術に不可欠である。
本研究は, 深層学習システム(DLS)の再現性について, 165個の異種コーンビームCT(CBCT)スキャンの局所化性能を, 経験豊富な放射線技師のアノテーションと比較して評価した。
我々は,DLSの性能を,対称平均曲線距離(SMCD),平均対称表面距離(ASSD),Dice類似係数(DSC)を用いて評価した。
smcdの再現性はリピート率のイントラサブジェクト係数(rc)を用いて評価した。
他の3人の専門家は0-4likertスケールで診断の妥当性を2度評価した。
再現性尺度 (RM) を用いて, Likert スコアの再現性を評価した。
SMCDのRCは0.969mm、SMCDとASSDはそれぞれ0.643mm(0.186)、0.351mm(0.135)、DSCの平均(標準偏差)は0.548(0.138)であった。
DLSの成績は術後変化に最も影響した。
LikertスコアのRMは放射線学者が0.923、DLSが0.877であった。
標準偏差)likertスコアは放射線科医が3.94 (0.27)、dlsが3.84 (0.65) であった。
DLSは有能な質的,定量的再現性,時間的一般化性,臨床的妥当性を示した。
関連論文リスト
- Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。
深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
論文 参考訳（メタデータ） (2024-10-21T17:41:58Z) - Analysis of clinical, dosimetric and radiomic features for predicting local failure after stereotactic radiotherapy of brain metastases in malignant melanoma [1.813829334805839]
本研究の目的は, 病変特異的な予後予測における臨床, ドシメトリー, 治療前MRIの特徴について検討することであった。
論文 参考訳（メタデータ） (2024-05-31T14:18:37Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - 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) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Deep Learning-Based Automatic Diagnosis System for Developmental
Dysplasia of the Hip [5.673030999857323]
本研究では,14個のキーポイントを自動的に検出する深層学習システムを提案する。
3つの解剖学的角度(中央辺角、T"オンニス角、シャープ角)を測り、DDHヒップをクロー基準に基づいてグレードI-IVに分類する。
論文 参考訳（メタデータ） (2022-09-07T19:50:30Z) - Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian
Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。
本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。
実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T13:04:42Z) - Comparison of Deep Learning Segmentation and Multigrader-annotated
Mandibular Canals of Multicenter CBCT scans [0.0]
深層学習法はCBCTスキャンから両側下顎管を自動的に分割する手法として実証されている。
982 CBCT スキャンを用いて訓練し,150 スキャンの5 スキャンを臨床ワークフロー患者から行った。
DLSは, 放射線技師と新しいスキャナーへの一般化能力により, 下顎管の区分けにおいて同等あるいはわずかに優れた性能を示した。
論文 参考訳（メタデータ） (2022-05-27T10:10:17Z) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳（メタデータ） (2020-10-28T21:07:09Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳（メタデータ） (2020-05-14T09:24:48Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。