Fugu-MT 論文翻訳(概要): Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT

論文の概要: Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT

arxiv url: http://arxiv.org/abs/2311.14197v1
Date: Thu, 23 Nov 2023 20:41:46 GMT
ステータス: 処理完了
システム内更新日: 2023-11-27 16:29:45.859121
Title: Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT
Title（参考訳）: 3次元ctを用いた残差三重畳畳み込みニューラルネットワークによるmtbi診断の強化
Authors: Hanem Ellethy, Shekhar S. Chandra and Viktor Vegh
Abstract要約: 3D Computed Tomography (CT) 画像を用いた mTBI 診断の革新的手法を提案する。我々は,mTBI症例と健常症例を識別するために,Residual Triplet Convolutional Neural Network (RTCNN)モデルを提案する。我々のRTCNNモデルはmTBI診断において有望な性能を示し、平均精度は94.3%、感度は94.1%、特異性は95.2%である。
参考スコア（独自算出の注目度）: 1.0621519762024807
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Mild Traumatic Brain Injury (mTBI) is a common and challenging condition to diagnose accurately. Timely and precise diagnosis is essential for effective treatment and improved patient outcomes. Traditional diagnostic methods for mTBI often have limitations in terms of accuracy and sensitivity. In this study, we introduce an innovative approach to enhance mTBI diagnosis using 3D Computed Tomography (CT) images and a metric learning technique trained with triplet loss. To address these challenges, we propose a Residual Triplet Convolutional Neural Network (RTCNN) model to distinguish between mTBI cases and healthy ones by embedding 3D CT scans into a feature space. The triplet loss function maximizes the margin between similar and dissimilar image pairs, optimizing feature representations. This facilitates better context placement of individual cases, aids informed decision-making, and has the potential to improve patient outcomes. Our RTCNN model shows promising performance in mTBI diagnosis, achieving an average accuracy of 94.3%, a sensitivity of 94.1%, and a specificity of 95.2%, as confirmed through a five-fold cross-validation. Importantly, when compared to the conventional Residual Convolutional Neural Network (RCNN) model, the RTCNN exhibits a significant improvement, showcasing a remarkable 22.5% increase in specificity, a notable 16.2% boost in accuracy, and an 11.3% enhancement in sensitivity. Moreover, RTCNN requires lower memory resources, making it not only highly effective but also resource-efficient in minimizing false positives while maximizing its diagnostic accuracy in distinguishing normal CT scans from mTBI cases. The quantitative performance metrics provided and utilization of occlusion sensitivity maps to visually explain the model's decision-making process further enhance the interpretability and transparency of our approach.
Abstract（参考訳）: 軽度外傷性脳損傷(mTBI)は、正確に診断する上で一般的で困難な疾患である。タイムリーかつ正確な診断は、効果的な治療と患者の成績改善に不可欠である。 mtbiの従来の診断方法は、精度と感度に制限があることが多い。本研究では,3次元CT画像を用いたmTBI診断の革新的手法と,三重項損失を訓練した計量学習手法を提案する。これらの課題に対処するために,3次元CTスキャンを特徴空間に埋め込むことにより,mTBI症例と健常症例を識別するResidual Triplet Convolutional Neural Network (RTCNN)モデルを提案する。三重項損失関数は、類似画像対と異画像対のマージンを最大化し、特徴表現を最適化する。これにより、個々の症例の文脈的配置が改善し、情報的意思決定を支援し、患者の結果を改善する可能性がある。 RTCNNモデルは,mTBI診断における有望な成績を示し,平均精度94.3%,感度94.1%,特異性95.2%を5倍のクロスバリデーションで確認した。重要なことに、従来のResidual Convolutional Neural Network (RCNN)モデルと比較すると、RTCNNは顕著な改善を示し、22.5%の特異性、16.2%の精度向上、11.3%の感度向上を示す。さらに、RTCNNは低いメモリリソースを必要とするため、偽陽性を最小化するだけでなく、診断精度を最大化し、通常のCTスキャンとmTBIケースを区別する。モデルの決定過程を視覚的に説明するためのオクルージョン感度マップの量的性能測定と利用により、我々のアプローチの解釈可能性と透明性がさらに向上した。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
ICHPro: Intracerebral Hemorrhage Prognosis Classification Via Joint-attention Fusion-based 3d Cross-modal Network [19.77538127076489]
脳内出血(ICH)は、脳卒中で最も致命的なサブタイプであり、死亡率と障害を減少させるために、時間的および正確な予後評価を必要とする。本稿では,脳神経外科医が利用するICHの解釈過程をシミュレートする,ICHProと呼ばれる3次元連成核融合を用いた3次元クロスモーダルネットワークを提案する。
論文参考訳（メタデータ） (2024-02-17T15:31:46Z)
Interpretable 3D Multi-Modal Residual Convolutional Neural Network for Mild Traumatic Brain Injury Diagnosis [1.0621519762024807]
Occlusion Sensitivity Maps (OSM) を用いたmTBI診断モデルのための解釈可能な3次元多モード残差畳み込みニューラルネットワーク(MRCNN)を提案する。 MRCNNモデルでは, 平均精度82.4%, 感度82.6%, 特異性81.6%を5倍のクロスバリデーション法で検証した。
論文参考訳（メタデータ） (2023-09-22T01:58:27Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
脳腫瘍の不正確な同定は、寿命を著しく低下させる。本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
論文参考訳（メタデータ） (2023-05-22T09:08:59Z)
Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文参考訳（メタデータ） (2023-01-17T10:39:39Z)
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)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
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)
MRI brain tumor segmentation and uncertainty estimation using 3D-UNet architectures [0.0]
本研究では、メモリ消費を低減し、アンバランスデータの影響を低減するためにパッチベースの技術で訓練された3Dエンコーダデコーダアーキテクチャを検討する。また,テストタイム・ドロップアウト (TTD) とデータ拡張 (TTA) を用いて, てんかん, てんかんともにボキセル関連不確実性情報を導入する。この研究で提案されたモデルと不確実性推定測定は、腫瘍の分割と不確実性推定に関するタスク1および3のBraTS'20チャレンジで使用されています。
論文参考訳（メタデータ） (2020-12-30T19:28:53Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。