論文の概要: Comparative Evaluation of Digital and Analog Chest Radiographs to
Identify Tuberculosis using Deep Learning Model
- arxiv url: http://arxiv.org/abs/2307.14859v1
- Date: Thu, 27 Jul 2023 13:44:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 14:34:07.556137
- Title: Comparative Evaluation of Digital and Analog Chest Radiographs to
Identify Tuberculosis using Deep Learning Model
- Title（参考訳）: 深層学習モデルを用いた結核診断のためのデジタル・アナログ胸部X線画像の比較評価
- Authors: Subhankar Chattoraj, Bhargava Reddy, Manoj Tadepalli, Preetham Putha
- Abstract要約: 1万個の胸部X線を用いて, TBの放射線学的徴候を同定した。
この最小差は、デジタルCXRとアナログCXRの両方において、TBの放射線学的兆候を識別する上で、DLベースのデバイスの堅牢性を示すものである。
- 参考スコア（独自算出の注目度）: 3.24029503704305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose:Chest X-ray (CXR) is an essential tool and one of the most prescribed
imaging to detect pulmonary abnormalities, with a yearly estimate of over 2
billion imaging performed worldwide. However, the accurate and timely diagnosis
of TB remains an unmet goal. The prevalence of TB is highest in
low-middle-income countries, and the requirement of a portable, automated, and
reliable solution is required. In this study, we compared the performance of
DL-based devices on digital and analog CXR. The evaluated DL-based device can
be used in resource-constraint settings. Methods: A total of 10,000 CXR
DICOMs(.dcm) and printed photos of the films acquired with three different
cellular phones - Samsung S8, iPhone 8, and iPhone XS along with their
radiological report were retrospectively collected from various sites across
India from April 2020 to March 2021. Results: 10,000 chest X-rays were utilized
to evaluate the DL-based device in identifying radiological signs of TB. The
AUC of qXR for detecting signs of tuberculosis on the original DICOMs dataset
was 0.928 with a sensitivity of 0.841 at a specificity of 0.806. At an optimal
threshold, the difference in the AUC of three cellular smartphones with the
original DICOMs is 0.024 (2.55%), 0.048 (5.10%), and 0.038 (1.91%). The minimum
difference demonstrates the robustness of the DL-based device in identifying
radiological signs of TB in both digital and analog CXR.
- Abstract（参考訳）: 目的:Chest X-ray(CXR)は肺の異常を検出するための必要不可欠なツールであり、年間20億回以上の画像が世界中で撮影されている。
しかし、tbの正確かつタイムリーな診断は未解決の目標である。
低所得国ではtbの発生率が最も高く、ポータブルで自動化され、信頼性の高いソリューションの必要性が求められる。
本研究では,デジタルおよびアナログcxrにおけるdlベースデバイスの性能を比較した。
評価されたdlベースのデバイスは、リソース制約設定に使用できる。
方法:2020年4月から2021年3月までにインド各地から計1万本のCXR DICOM(.dcm)と3台の携帯電話(Samsung S8、iPhone 8、iPhone XS)で入手したフィルムの印刷写真が回顧的に収集された。
結果:1万個の胸部X線を用いて,TBの放射線学的徴候を同定した。
元のDICOMsデータセットで結核の徴候を検出するためのqXRのAUCは0.928で、感度は0.841、感度は0.806であった。
最適な閾値では、元のDICOMと3台の携帯電話のAUCの違いは0.024 (2.55%)、0.048 (5.10%)、0.038 (1.91%)である。
最小差は、デジタルおよびアナログcxrにおけるtbの放射線標識の同定におけるdlベースの装置のロバスト性を示す。
関連論文リスト
- Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - Improved Esophageal Varices Assessment from Non-Contrast CT Scans [15.648325577912608]
食道静脈瘤(EV)は門脈圧亢進による重篤な健康上の問題である。
非造影CT(non-contrast Computed Tomography, NC-CT)は, 安価で非侵襲的な画像モダリティであるにもかかわらず, EV評価のための主要な臨床診断ツールとして完全には受け入れられていない。
我々は,NC-CTスキャンにおける重要な臓器機能の解析を改良し,EVを効果的に評価するMulti-Organ-cOhesion-Network(MOON)を提案する。
論文 参考訳（メタデータ） (2024-07-18T06:49:10Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳（メタデータ） (2024-01-25T20:03:57Z) - 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) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - A Deep Learning Based Workflow for Detection of Lung Nodules With Chest
Radiograph [0.0]
CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。
これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
論文 参考訳（メタデータ） (2021-12-19T16:19:46Z) - Use of the Deep Learning Approach to Measure Alveolar Bone Level [4.92694463351569]
目的は、Deep Convolutional Neural Network(ディープ・コンボリューショナル・ニューラル・ニューラルネットワーク)を使用して、歯槽骨のレベルを測定し、歯周診断を支援することであった。
3つのセグメンテーションネットワーク(骨面積, 歯, セメントエナメル接合部)と画像解析を統合することで, ディープラーニング(DL)モデルを開発した。
論文 参考訳（メタデータ） (2021-09-24T17:48:27Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。