論文の概要: Boundary Attention Mapping (BAM): Fine-grained saliency maps for
segmentation of Burn Injuries
- arxiv url: http://arxiv.org/abs/2305.15365v1
- Date: Wed, 24 May 2023 17:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 14:03:24.954936
- Title: Boundary Attention Mapping (BAM): Fine-grained saliency maps for
segmentation of Burn Injuries
- Title(参考訳): 境界注意マッピング(bam):火傷のセグメント化のための細粒度塩分マップ
- Authors: Mahla Abdolahnejad, Justin Lee, Hannah Chan, Alex Morzycki, Olivier
Ethier, Anthea Mo, Peter X. Liu, Joshua N. Wong, Colin Hong, Rakesh Joshi
- Abstract要約: 火傷は、熱、化学、電気的侮辱などのメカニズムによって引き起こされる。
現在、視覚的および触覚的観察によるバーンアセスメントの主なアプローチは、およそ60%-80%の精度である。
熱傷の重症度を評価するための機械学習パイプラインを導入し、熱傷の影響を受ける皮膚の領域を分割する。
- 参考スコア(独自算出の注目度): 1.4424150304888417
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Burn injuries can result from mechanisms such as thermal, chemical, and
electrical insults. A prompt and accurate assessment of burns is essential for
deciding definitive clinical treatments. Currently, the primary approach for
burn assessments, via visual and tactile observations, is approximately 60%-80%
accurate. The gold standard is biopsy and a close second would be non-invasive
methods like Laser Doppler Imaging (LDI) assessments, which have up to 97%
accuracy in predicting burn severity and the required healing time. In this
paper, we introduce a machine learning pipeline for assessing burn severities
and segmenting the regions of skin that are affected by burn. Segmenting 2D
colour images of burns allows for the injured versus non-injured skin to be
delineated, clearly marking the extent and boundaries of the localized
burn/region-of-interest, even during remote monitoring of a burn patient. We
trained a convolutional neural network (CNN) to classify four severities of
burns. We built a saliency mapping method, Boundary Attention Mapping (BAM),
that utilises this trained CNN for the purpose of accurately localizing and
segmenting the burn regions from skin burn images. We demonstrated the
effectiveness of our proposed pipeline through extensive experiments and
evaluations using two datasets; 1) A larger skin burn image dataset consisting
of 1684 skin burn images of four burn severities, 2) An LDI dataset that
consists of a total of 184 skin burn images with their associated LDI scans.
The CNN trained using the first dataset achieved an average F1-Score of 78% and
micro/macro- average ROC of 85% in classifying the four burn severities.
Moreover, a comparison between the BAM results and LDI results for measuring
injury boundary showed that the segmentations generated by our method achieved
91.60% accuracy, 78.17% sensitivity, and 93.37% specificity.
- Abstract(参考訳): 熱傷は熱的、化学的、電気的侮辱のようなメカニズムによって生じる。
熱傷の迅速かつ正確な評価は、決定的な臨床治療の決定に不可欠である。
現在、視覚的および触覚的観察によるバーンアセスメントの主なアプローチは、およそ60%-80%の精度である。
金の基準は生検であり、第2位はレーザードップラーイメージング(LDI)アセスメントのような非侵襲的な方法であり、熱傷の重症度と治癒に必要な時間を予測するのに最大97%の精度を持つ。
本稿では,熱傷に影響を受ける皮膚の領域を分割し,熱傷性を評価するための機械学習パイプラインを提案する。
火傷の2Dカラー画像のセグメンテーションにより、傷のない皮膚と損傷していない皮膚を脱線させ、火傷患者の遠隔監視中であっても、局所的な火傷/関心領域の範囲と境界を明確に示すことができる。
われわれは、CNN(Convolutional Neural Network)を訓練し、4つの燃え尽き度を分類した。
我々は,この訓練されたCNNを用いて,皮膚の焼傷画像から熱傷領域を正確に局所化・分別化するために,塩分濃度マッピング法である境界注意マッピング(BAM)を構築した。
2つのデータセットを用いた広範囲な実験と評価を通じて,提案パイプラインの有効性を実証した。
1)4つの熱傷の皮膚熱傷画像1684枚からなる皮膚熱傷画像データセット。
2) LDIデータセットは, LDIスキャンを用いて, 合計184個の皮膚熱傷画像からなる。
最初のデータセットを使用してトレーニングされたCNNは、平均F1スコア78%、マイクロ/マクロ平均ROC85%を達成し、4つの燃え尽き度を分類した。
さらに, 損傷境界測定におけるBAM値とLDI値の比較により, 本法により得られたセグメンテーションの精度は91.60%, 感度78.17%, 特異度93.37%であった。
関連論文リスト
- Unsupervised Skin Lesion Segmentation via Structural Entropy
Minimization on Multi-Scale Superpixel Graphs [59.19218582436495]
本研究では,構造エントロピーと孤立林外層検出に基づく非教師付き皮膚病変sEgmentationフレームワーク,すなわちSLEDを提案する。
皮膚病変は、皮膚内視鏡像から構築した超画素グラフの構造エントロピーを最小化することにより区分される。
健康な皮膚の特徴の整合性を特徴とし, マルチスケールのセグメンテーション機構を考案し, マルチスケールのスーパーピクセル特徴を活用して, セグメンテーション精度を向上させる。
論文 参考訳(メタデータ) (2023-09-05T02:15:51Z) - A Generative Approach for Image Registration of Visible-Thermal (VT)
Cancer Faces [77.77475333490744]
我々は、生成的アライメントアルゴリズムを適用し、修正することで、画像登録の古典的なコンピュータビジョンタスクを近代化する。
本稿では,V2T画像翻訳における生成AI下流タスクで生成した熱画像の品質が52.5%に向上することが実証された。
論文 参考訳(メタデータ) (2023-08-23T17:39:58Z) - Improving Segmentation and Detection of Lesions in CT Scans Using
Intensity Distribution Supervision [5.162622771922123]
対象病変の強度ヒストグラムから強度に基づく病変確率関数を構築した。
各入力CTスキャンの計算したILPマップは、ネットワークトレーニングのための追加の監督として提供される。
また,本手法が検出作業に与える影響についても検討した。
論文 参考訳(メタデータ) (2023-07-11T21:00:47Z) - DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease
Attention for Multi-Label Lesion Detection in Chest X-rays [1.3367903535457364]
胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。
画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
論文 参考訳(メタデータ) (2023-06-23T23:19:27Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - Human-centered XAI for Burn Depth Characterization [8.967153054343775]
火傷分類は、医療AI分野における重要な側面である。
バーン超音波分類モデルを改善するための説明可能なHuman-in-the-loopフレームワークを提案する。
フレームワークによって一度変更され, 燃焼深度分類の精度が, 88%から94%に向上したことを示す。
論文 参考訳(メタデータ) (2022-10-24T18:37:52Z) - Detecting Crop Burning in India using Satellite Data [5.12352690404198]
作物の残留物の燃焼は世界の多くの地域、特に南アジアにおける大気汚染の主な原因である。
燃焼の影響や、燃焼を減らすための介入の効果を測定するには、燃えた場所に関するデータが必要である。
本研究では,インド・パンジャブで発生した作物の残留物燃焼の地上モニタリングデータを利用して,衛星画像を用いて,燃焼をより効果的に検出できるかどうかを探索する。
論文 参考訳(メタデータ) (2022-09-21T06:58:08Z) - A deep learning model for burn depth classification using ultrasound
imaging [0.0]
本稿では, 皮膚の組織形態の変化に基づいて, 燃焼深度を分類する深層畳み込みニューラルネットワークを提案する。
ネットワークはエンコーダ・デコーダアーキテクチャを用いて、未焼成皮膚画像の低次元多様体を学習する。
20倍のクロスバリデーションから得られた性能測定値から, モデルが深部厚熱傷を識別できることが示唆された。
論文 参考訳(メタデータ) (2022-03-29T20:01:22Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳(メタデータ) (2021-10-19T00:03:57Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳(メタデータ) (2020-08-05T08:49:20Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z)
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。