Fugu-MT 論文翻訳(概要): Underestimation of lung regions on chest X-ray segmentation masks assessed by comparison with total lung volume evaluated on computed tomography

論文の概要: Underestimation of lung regions on chest X-ray segmentation masks assessed by comparison with total lung volume evaluated on computed tomography

arxiv url: http://arxiv.org/abs/2402.11510v1
Date: Sun, 18 Feb 2024 08:51:29 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 20:46:34.311133
Title: Underestimation of lung regions on chest X-ray segmentation masks assessed by comparison with total lung volume evaluated on computed tomography
Title（参考訳）: 胸部X線セグメンテーションマスクにおける肺領域の過小評価 : CTによる肺総容積評価との比較
Authors: Przemys{\l}aw Bombi\'nski, Patryk Szatkowski, Bart{\l}omiej Sobieski, Tymoteusz Kwieci\'nski, Szymon P{\l}otka, Mariusz Adamek, Marcin Banasiuk, Mariusz I. Furmanek, Przemys{\l}aw Biecek
Abstract要約: 肺マスクの作成には明確な基準や基準が欠如しており、アノテータ間の主観性が高い。肺X線マスクは心臓,縦隔,横隔膜の輪郭に沿って生成され,肺のかなりの部分を取り除いた。
参考スコア（独自算出の注目度）: 3.6532123895698856
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Lung mask creation lacks well-defined criteria and standardized guidelines, leading to a high degree of subjectivity between annotators. In this study, we assess the underestimation of lung regions on chest X-ray segmentation masks created according to the current state-of-the-art method, by comparison with total lung volume evaluated on computed tomography (CT). We show, that lung X-ray masks created by following the contours of the heart, mediastinum, and diaphragm significantly underestimate lung regions and exclude substantial portions of the lungs from further assessment, which may result in numerous clinical errors.
Abstract（参考訳）: 肺マスクの作成には明確な基準や基準が欠如しており、アノテータ間の主観性が高い。本研究では, 胸部x線分画マスクにおける肺領域の過大評価を, 胸部x線分画マスクの現況とctで評価した肺総量との比較により検討した。肺x線マスクは, 心臓, 縦隔, 横隔の輪郭を追尾し, 肺領域を著しく過小評価し, 肺のかなりの部分をさらなる評価から排除し, 臨床上の誤りを多数生じさせる可能性がある。

関連論文リスト

RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文参考訳（メタデータ） (2022-11-01T07:41:03Z)
Lung nodules segmentation from CT with DeepHealth toolkit [6.980270783615686]
本研究の目的は,PyECVLおよびPyEDDLライブラリを含むDeephealthツールキットが肺結節を正確に分節できることを実証することであった。以上の結果から, 肺結節の広範囲にわたる精密な分節化と, 従来の検出法よりも精度がよいことが示唆された。
論文参考訳（メタデータ） (2022-08-01T06:54:12Z)
What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
論文参考訳（メタデータ） (2022-07-07T04:24:17Z)
X-ray Dissectography Improves Lung Nodule Detection [14.672019886848755]
数個のX線投影から肺をデジタル的に解剖するために「X線ディストモグラフィー」が用いられる。協調検出ネットワークは、肺結節を2次元の離断射影と3次元の物理的空間に局在させるように設計されている。
論文参考訳（メタデータ） (2022-03-24T15:18:57Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Pneumothorax and chest tube classification on chest x-rays for detection of missed pneumothorax [1.181048306817215]
胸部気胸および胸部気胸の治療によく用いられる各種の胸部管を画像分類パイプラインで検出する。多段階のアルゴリズムは肺の分節と肺気胸の分類に基づいており、気胸を含む可能性が最も高いパッチの分類を含む。
論文参考訳（メタデータ） (2020-11-14T18:06:06Z)
Deep Learning-based Four-region Lung Segmentation in Chest Radiography for COVID-19 Diagnosis [9.117659716068083]
ウイルス19肺炎の正確な定量化を支援するための4つの領域肺分画法を提案する。 CXRの深層学習モデルでは、COVID-19肺炎患者の肺不透明度の局所分布を正確に分類し定量化することができる。
論文参考訳（メタデータ） (2020-09-26T14:32:13Z)
Accurate Lung Nodules Segmentation with Detailed Representation Transfer and Soft Mask Supervision [19.64536342490214]
肺結節の小ささと多彩さは, 正確な肺結節の分節を困難にする。我々は、よりリッチで正確なエッジ詳細記述を持つSoft Maskという新しいセグメンテーションマスクを導入する。肺結節の低解像度像を高品質なセグメンテーション結果に処理するために, 詳細な表現伝達とソフトマスク監視(DSNet)を備えた新しいネットワークを提案する。
論文参考訳（メタデータ） (2020-07-29T02:38:02Z)
Deep Residual 3D U-Net for Joint Segmentation and Texture Classification of Nodules in Lung [91.3755431537592]
肺結節の分類法, そのテクスチャ分類, 肺CT像による後続の推奨について検討した。提案手法は, 一般的なU-Netアーキテクチャファミリに基づくニューラルネットワークモデルと, 共同結節分割とそのテクスチャ分類タスクと, フォローアップレコメンデーションのためのアンサンブルベースモデルから構成される。
論文参考訳（メタデータ） (2020-06-25T07:20:41Z)
Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。コンピュータ支援診断システムは診断精度を向上させる可能性を示した。本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。