論文の概要: A Comprehensive Dataset and Automated Pipeline for Nailfold Capillary Analysis

• arxiv url: http://arxiv.org/abs/2312.05930v2
• Date: Thu, 14 Mar 2024 15:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-16 01:52:29.060593
• Title: A Comprehensive Dataset and Automated Pipeline for Nailfold Capillary Analysis
• Title（参考訳）: 爪折り毛細管解析のための包括的データセットと自動パイプライン
• Authors: Linxi Zhao, Jiankai Tang, Dongyu Chen, Xiaohong Liu, Yong Zhou, Yuanchun Shi, Guangyu Wang, Yuntao Wang,
• Abstract要約: 包括的爪折り毛細管データセット-321 画像の構築に先駆的な取り組みを行い,68 名の被験者219 名の動画と臨床報告,専門家注記を行った。 教師付きラベルとして専門家アノテーションを用いた3つのディープラーニングモデルを微調整し、それらを新しいエンドツーエンドの爪折り毛細管分析パイプラインに統合した。 実験の結果, 自動パイプラインでは, 測定値の平均サブピクセルレベルの精度が89.9%, 形態異常が89.9%であった。
• 参考スコア（独自算出の注目度）: 24.8934927577986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nailfold capillaroscopy is widely used in assessing health conditions, highlighting the pressing need for an automated nailfold capillary analysis system. In this study, we present a pioneering effort in constructing a comprehensive nailfold capillary dataset-321 images, 219 videos from 68 subjects, with clinic reports and expert annotations-that serves as a crucial resource for training deep-learning models. Leveraging this dataset, we finetuned three deep learning models with expert annotations as supervised labels and integrated them into a novel end-to-end nailfold capillary analysis pipeline. This pipeline excels in automatically detecting and measuring a wide range of size factors, morphological features, and dynamic aspects of nailfold capillaries. We compared our outcomes with clinical reports. Experiment results showed that our automated pipeline achieves an average of sub-pixel level precision in measurements and 89.9% accuracy in identifying morphological abnormalities. These results underscore its potential for advancing quantitative medical research and enabling pervasive computing in healthcare. Our data and code are available at https://github.com/THU-CS-PI-LAB/ANFC-Automated-Nailfold-Capillary.
• Abstract（参考訳）: ネイルフォールドカピラロスコープは、自動的にネイルフォールドキャピラリー分析システムの必要性を強調し、健康状態を評価するために広く用いられている。 本研究では,68名を対象に,包括的ネイルフォールド・キャピラリー・データセット321画像,219件のビデオ,臨床報告,専門家注記などを構築し,深層学習モデルの訓練に欠かせない資料を提供する。 このデータセットを活用して、専門家アノテーションを教師付きラベルとして3つのディープラーニングモデルを微調整し、それらを新しいエンドツーエンドのネイルフォールドキャピラリー分析パイプラインに統合しました。 このパイプラインは、爪折りキャピラリーの幅広いサイズ要因、形態的特徴、動的側面を自動的に検出し、測定する。 結果と臨床報告を比較した。 実験の結果, 自動パイプラインでは, 測定値の平均サブピクセルレベルの精度が89.9%, 形態異常が89.9%であった。 これらの結果は、定量的医学研究の進展と、医療における広汎なコンピューティングの実現の可能性を浮き彫りにしている。 私たちのデータとコードはhttps://github.com/THU-CS-PI-LAB/ANFC-Automated-Nailfold-Capillaryで公開されています。

関連論文リスト

• Fusing Echocardiography Images and Medical Records for Continuous Patient Stratification [16.93115087698284]
  本研究は, 高血圧症と診断し難い連続体を用いて, 心血管系病理の表現を学習する手法を提案する。 提案手法はまず各変数をモダリティ固有のアプローチを用いて表現空間に射影する。 これらの標準化されたマルチモーダルデータの表現は、その後トランスフォーマーエンコーダに送られ、臨床評価を予測するタスクを通じて患者の包括的表現にマージされる。 239人の高血圧患者のコホートでこの連続体に沿った主要な傾向を観察し、高血圧が様々な心機能記述因子に与える影響について、前例のない詳細を報告した。
  論文  参考訳（メタデータ） (2024-01-15T16:04:46Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Outlier Detection using Self-Organizing Maps for Automated Blood Cell Analysis [1.2189422792863451]
  本研究では,医療データセットの外部検出における自己組織化マップの適合性を評価する。 我々は、量子化誤差と距離マップに基づいて、外れ値を検出し、評価する。 自己組織化マップは、専門家のドメイン知識に基づいて、手動で指定されたフィルタと同等に機能する。
  論文  参考訳（メタデータ） (2022-08-18T13:53:27Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• A smartphone based multi input workflow for non-invasive estimation of haemoglobin levels using machine learning techniques [0.2519906683279153]
  画像処理,機械学習,ディープラーニングを組み合わせることで,ヘモグロビン濃度を測定する予測モデルを開発する。 これは、患者の指爪床、頭蓋結膜、舌の色解析によって達成される。
  論文  参考訳（メタデータ） (2020-11-29T13:57:09Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)
• An Extensive Study on Cross-Dataset Bias and Evaluation Metrics Interpretation for Machine Learning applied to Gastrointestinal Tract Abnormality Classification [2.985964157078619]
  GI領域における疾患の自動解析は、コンピュータ科学や医学関連雑誌でホットな話題となっている。 クロスデータセットによる評価指標と機械学習モデルの明確な理解は、この分野の研究を新たな品質レベルに導くために不可欠である。 16種類のGIトラクタ条件を分類できる5つの異なる機械学習モデルの包括的評価を行う。
  論文  参考訳（メタデータ） (2020-05-08T08:59:31Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。