論文の概要: Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging
- arxiv url: http://arxiv.org/abs/2402.05817v2
- Date: Mon, 12 Feb 2024 15:19:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 20:10:28.383178
- Title: Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging
- Title（参考訳）: YOLO v7による磁気共鳴画像のキドニー検出
- Authors: Pouria Yazdian Anari, Fiona Obiezu, Nathan Lay, Fatemeh Dehghani
Firouzabadi, Aditi Chaurasia, Mahshid Golagha, Shiva Singh, Fatemeh
Homayounieh, Aryan Zahergivar, Stephanie Harmon, Evrim Turkbey, Rabindra
Gautam, Kevin Ma, Maria Merino, Elizabeth C. Jones, Mark W. Ball, W. Marston
Linehan, Baris Turkbey, Ashkan A. Malayeri
- Abstract要約: 医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。
モデルの一般化性を評価するには、さらなる外部検証が必要である。
- 参考スコア（独自算出の注目度）: 1.1567496318601842
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Introduction This study explores the use of the latest You Only Look Once
(YOLO V7) object detection method to enhance kidney detection in medical
imaging by training and testing a modified YOLO V7 on medical image formats.
Methods Study includes 878 patients with various subtypes of renal cell
carcinoma (RCC) and 206 patients with normal kidneys. A total of 5657 MRI scans
for 1084 patients were retrieved. 326 patients with 1034 tumors recruited from
a retrospective maintained database, and bounding boxes were drawn around their
tumors. A primary model was trained on 80% of annotated cases, with 20% saved
for testing (primary test set). The best primary model was then used to
identify tumors in the remaining 861 patients and bounding box coordinates were
generated on their scans using the model. Ten benchmark training sets were
created with generated coordinates on not-segmented patients. The final model
used to predict the kidney in the primary test set. We reported the positive
predictive value (PPV), sensitivity, and mean average precision (mAP). Results
The primary training set showed an average PPV of 0.94 +/- 0.01, sensitivity of
0.87 +/- 0.04, and mAP of 0.91 +/- 0.02. The best primary model yielded a PPV
of 0.97, sensitivity of 0.92, and mAP of 0.95. The final model demonstrated an
average PPV of 0.95 +/- 0.03, sensitivity of 0.98 +/- 0.004, and mAP of 0.95
+/- 0.01. Conclusion Using a semi-supervised approach with a medical image
library, we developed a high-performing model for kidney detection. Further
external validation is required to assess the model's generalizability.
- Abstract（参考訳）: 本研究は, 医療用画像フォーマットの修正型YOLO V7の訓練および試験により, 腎臓検出を向上するための最新のYou Only Look Once (YOLO V7) オブジェクト検出法について検討する。
Methods Studyは腎細胞癌(RCC)の亜型878例と正常腎の206例を含む。
計5657回のMRI検査で1084例が検索された。
振り返り維持データベースから1034個の腫瘍を抽出した症例は326例で, 腫瘍周囲に境界箱を引いた。
主要なモデルは、アノテーション付きケースの80%でトレーニングされ、20%はテストに費やされた(最初のテストセット)。
次に、最も優れた一次モデルを用いて、残りの861患者の腫瘍を同定し、そのモデルを用いてスキャンで境界ボックス座標を作成した。
10のベンチマークトレーニングセットが生成され、未登録患者の座標が生成された。
最終モデルは、最初のテストセットで腎臓を予測するために使用されました。
正の予測値 (PPV) , 感度, 平均平均精度 (mAP) を報告した。
結果】初等訓練では平均PPV0.94+/-0.01,感度0.87+/-0.04,mAP0.91+/-0.02であった。
最良の一次モデルは、ppv 0.97、感度 0.92、マップ 0.95であった。
最終モデルは平均PSV 0.95 +/- 0.03、感度 0.98 +/- 0.004、mAP 0.95 +/- 0.01 を示した。
結語 医用画像ライブラリーを用いた半教師付きアプローチにより, 腎検出のための高性能モデルを開発した。
モデルの一般化性を評価するには、さらなる外部検証が必要となる。
関連論文リスト
- Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - 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) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - Acute kidney injury prediction for non-critical care patients: a
retrospective external and internal validation study [1.7667281678430398]
急性腎障害(AKI)は入院患者の最大18%に発症する。
ディープラーニングと従来の機械学習モデルは、AKIの進行を予測するために開発された。
他の施設で試験すると、モデルはわずかに差別を減らした。
論文 参考訳（メタデータ） (2024-02-06T18:05:30Z) - 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) - Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using
Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。
2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
論文 参考訳（メタデータ） (2021-12-04T02:23:18Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳（メタデータ） (2021-03-23T16:08:43Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。