論文の概要: Toward Clinically Trustworthy Deep Learning: Applying Conformal
Prediction to Intracranial Hemorrhage Detection
- arxiv url: http://arxiv.org/abs/2401.08058v1
- Date: Tue, 16 Jan 2024 02:26:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 15:26:43.542000
- Title: Toward Clinically Trustworthy Deep Learning: Applying Conformal
Prediction to Intracranial Hemorrhage Detection
- Title（参考訳）: 臨床に信頼できる深層学習に向けて:脳内出血検出へのコンフォーマル予測の適用
- Authors: Cooper Gamble, Shahriar Faghani, Bradley J. Erickson
- Abstract要約: 本研究は、CQ500データセットから得られた491個の非コントラスト頭部CTを用いて、頭蓋内出血(ICH)を含むスライスを3人の放射線科医が注視した振り返り研究である。
DLモデルは,定値データ(トレーニングデータセット)から146症例(10,815スライス)を対象に,ICHの局在化と分類を行うための訓練を行った。
不確実性を考慮したDLモデルを8,401件の定型的かつ難解なケースで検証し,課題の特定能力を評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As deep learning (DL) continues to demonstrate its ability in radiological
tasks, it is critical that we optimize clinical DL solutions to include safety.
One of the principal concerns in the clinical adoption of DL tools is trust.
This study aims to apply conformal prediction as a step toward trustworthiness
for DL in radiology. This is a retrospective study of 491 non-contrast head CTs
from the CQ500 dataset, in which three senior radiologists annotated slices
containing intracranial hemorrhage (ICH). The dataset was split into definite
and challenging subsets, where challenging images were defined to those in
which there was disagreement among readers. A DL model was trained on 146
patients (10,815 slices) from the definite data (training dataset) to perform
ICH localization and classification for five classes of ICH. To develop an
uncertainty-aware DL model, 1,546 cases of the definite data (calibration
dataset) was used for Mondrian conformal prediction (MCP). The
uncertainty-aware DL model was tested on 8,401 definite and challenging cases
to assess its ability to identify challenging cases. After the MCP procedure,
the model achieved an F1 score of 0.920 for ICH classification on the test
dataset. Additionally, it correctly identified 6,837 of the 6,856 total
challenging cases as challenging (99.7% accuracy). It did not incorrectly label
any definite cases as challenging. The uncertainty-aware ICH detector performs
on par with state-of-the-art models. MCP's performance in detecting challenging
cases demonstrates that it is useful in automated ICH detection and promising
for trustworthiness in radiological DL.
- Abstract（参考訳）: 深層学習(DL)は放射線学的な課題においてその能力を実証し続けているため,臨床用DLソリューションの安全性を最適化することが重要である。
DLツールの臨床的採用における主な関心事は信頼である。
本研究は,放射線学におけるDLの信頼性へのステップとして,共形予測を適用することを目的とする。
これは、CQ500データセットから得られた491個の非造影頭部CTの回顧調査で、3人の放射線学者が頭蓋内出血を含むスライスを注視した。
データセットは定型的で挑戦的なサブセットに分割され、読者の間で意見の相違があった部分に対して、挑戦的なイメージが定義された。
定値データ(訓練データセット)から146名の患者(10,815スライス)にdlモデルを訓練し,5種類のicの分類を行った。
不確実性を考慮したDLモデルを開発するために,モンドリアン整合予測(MCP)に定値データ(校正データセット)の1,546ケースを使用した。
不確実性を認識したdlモデルは、8,401事例でテストされ、困難な症例を特定する能力が評価された。
MCP処理後、テストデータセット上のICH分類において、F1スコアが0.920に達した。
さらに、6,856件の難問のうち6,837件を困難(99.7%の精度)と正しく識別した。
明確な事例を困難と誤記したわけではない。
不確実性検知器は最先端のモデルと同等の性能を発揮する。
難治性症例の検出におけるMPPの性能は、自動ICH検出に有用であり、放射線DLの信頼性に有望であることを示している。
関連論文リスト
- Deep Rib Fracture Instance Segmentation and Classification from CT on
the RibFrac Challenge [66.86170104167608]
RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。
MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。
この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
論文 参考訳（メタデータ） (2024-02-14T18:18:33Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Deep learning-based detection of intravenous contrast in computed
tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。
我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文 参考訳（メタデータ） (2021-10-16T00:46:45Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳（メタデータ） (2021-08-14T08:14:52Z) - Learning from Subjective Ratings Using Auto-Decoded Deep Latent
Embeddings [23.777855250882244]
ラベルにおける主観性管理は医用画像解析における根本的な問題である。
自動復号型ディープ潜在埋め込み(addle)を導入する
ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
論文 参考訳（メタデータ） (2021-04-12T15:40:42Z) - Critical Evaluation of Deep Neural Networks for Wrist Fracture Detection [1.0617212070722408]
関節リウマチは最も頻度の高い骨折である。
近年のDeep Learning(DL)分野の進歩は、畳み込みニューラルネットワークを用いて手首骨折検出を自動化できることを示している。
以上の結果から,DeepWristのような最先端のアプローチは,挑戦的なテストセットにおいて大幅に性能が低下していることが判明した。
論文 参考訳（メタデータ） (2020-12-04T13:35:36Z) - Deep Sequential Learning for Cervical Spine Fracture Detection on
Computed Tomography Imaging [20.051649556262216]
CT 軸方向画像における頚椎骨折の自動検出のための双方向長期記憶(BLSTM)層を用いた深部畳み込みニューラルネットワーク(DCNN)を提案する。
我々は,3,666個のCTスキャン(陽性729例,陰性2,937例)の注釈付きデータセットを用いて,モデルをトレーニングし,検証した。
検証結果から, 正の104例と負の104例と負の104例と負の104例と負の419例とで, 70.92%, 79.18%の分類精度を示した。
論文 参考訳（メタデータ） (2020-10-26T04:36:29Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z)
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。