論文の概要: Improving Image Classification of Knee Radiographs: An Automated Image Labeling Approach

• arxiv url: http://arxiv.org/abs/2309.02681v1
• Date: Wed, 6 Sep 2023 03:26:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 16:55:53.176811
• Title: Improving Image Classification of Knee Radiographs: An Automated Image Labeling Approach
• Title（参考訳）: 膝X線画像の分類精度の向上:自動画像ラベリング手法
• Authors: Jikai Zhang, Carlos Santos, Christine Park, Maciej Mazurowski, Roy Colglazier
• Abstract要約: 本研究の目的は, 画像分類を改良し, 正常な膝画像の異常の有無を識別する自動ラベリング手法を開発することである。 自動ラベル付けはラベル付きデータの小さなセットでトレーニングされ、ラベルなしデータのもっと大きなセットを自動的にラベル付けする。 以上の結果から,自動ラベリング手法は,膝の診断における画像分類性能を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 0.3258500021481664
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Large numbers of radiographic images are available in knee radiology practices which could be used for training of deep learning models for diagnosis of knee abnormalities. However, those images do not typically contain readily available labels due to limitations of human annotations. The purpose of our study was to develop an automated labeling approach that improves the image classification model to distinguish normal knee images from those with abnormalities or prior arthroplasty. The automated labeler was trained on a small set of labeled data to automatically label a much larger set of unlabeled data, further improving the image classification performance for knee radiographic diagnosis. We developed our approach using 7,382 patients and validated it on a separate set of 637 patients. The final image classification model, trained using both manually labeled and pseudo-labeled data, had the higher weighted average AUC (WAUC: 0.903) value and higher AUC-ROC values among all classes (normal AUC-ROC: 0.894; abnormal AUC-ROC: 0.896, arthroplasty AUC-ROC: 0.990) compared to the baseline model (WAUC=0.857; normal AUC-ROC: 0.842; abnormal AUC-ROC: 0.848, arthroplasty AUC-ROC: 0.987), trained using only manually labeled data. DeLong tests show that the improvement is significant on normal (p-value<0.002) and abnormal (p-value<0.001) images. Our findings demonstrated that the proposed automated labeling approach significantly improves the performance of image classification for radiographic knee diagnosis, allowing for facilitating patient care and curation of large knee datasets.
• Abstract（参考訳）: 膝の異常を診断するために深層学習モデルのトレーニングに使用できる、多くのx線画像が膝のx線治療で利用可能である。 しかし、これらの画像は、人間のアノテーションの制限のため、簡単に利用可能なラベルを含まない。 本研究の目的は, 画像分類モデルの改善を図り, 正常膝画像と関節形成術以前の画像とを識別する自動ラベリング手法を開発することである。 自動ラベラーはラベル付きデータの小さなセットで訓練され、ずっと大きなラベル付きデータを自動的にラベル付けし、さらに膝x線診断のための画像分類性能を改善した。 7,382人の患者を用いてアプローチを開発し、637人の患者で検証した。 AUC-ROC 0.894, 異常 AUC-ROC 0.896, 関節形成 AUC-ROC 0.990) とベースラインモデル (WAUC=0.857, 正常 AUC-ROC 0.842, 異常 AUC-ROC 0.848, 関節形成 AUC-ROC 0.987) を比較した。 DeLong 試験では, 正常 (p-value<0.002) と異常 (p-value<0.001) 画像に有意な改善が認められた。 以上の結果より, 自動ラベリング手法により, 画像診断における画像分類の精度が向上し, 患者のケアや大規模な膝のデータセットのキュレーションが容易となった。

関連論文リスト

• Deep Learning Models to Automate the Scoring of Hand Radiographs for Rheumatoid Arthritis [0.0]
  シャープスコア(シャープスコア、英: Sharp score、SvdH)は、慢性関節リウマチ(RA)の臨床治験における損傷の定量化に広く用いられている放射線検査法である。 まず,手指のX線写真からSvdHのスコアとRAの重症度を推定できる自動パイプラインを開発した。
  論文  参考訳（メタデータ） (2024-06-14T12:43:16Z)
• A Federated Learning Framework for Stenosis Detection [70.27581181445329]
  本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。 アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。 データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
  論文  参考訳（メタデータ） (2023-10-30T11:13:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
  糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。 まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。 最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
  論文  参考訳（メタデータ） (2022-12-12T22:06:47Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• 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)
• Automated Detection of Patellofemoral Osteoarthritis from Knee Lateral View Radiographs Using Deep Learning: Data from the Multicenter Osteoarthritis Study (MOST) [3.609538870261841]
  本論文では,PFOA(Automatic Patello大腿骨関節症)検出法を提案する。 膝側方X線写真から乳頭領域を訓練した深層学習モデルでは、患者特性や臨床評価に基づくモデルよりもPFOAの予測が優れています。
  論文  参考訳（メタデータ） (2021-01-12T08:37:55Z)
• 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)
• CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
  MPR画像における狭窄の重症度を同定する自動モデルを開発した。 このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。 狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
  論文  参考訳（メタデータ） (2020-01-23T15:20:22Z)
• Instant automatic diagnosis of diabetic retinopathy [36.2143325805188]
  OphtAIは、眼のラテラルを認識し、参照可能なDRを検出し、DR重症度を評価するために訓練された畳み込みニューラルネットワークのアンサンブルに依存している。 システムは164,660のスクリーニング手順から,733,848の画像のデータセットを用いて開発,検証した。 OphtAIは、FDAが認可している唯一のAIシステムよりも安全で高速で包括的だ。
  論文  参考訳（メタデータ） (2019-06-12T08:34:57Z)

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。