論文の概要: Statistical validation of a deep learning algorithm for dental anomaly
detection in intraoral radiographs using paired data
- arxiv url: http://arxiv.org/abs/2402.14022v1
- Date: Thu, 1 Feb 2024 13:46:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-25 16:56:25.650195
- Title: Statistical validation of a deep learning algorithm for dental anomaly
detection in intraoral radiographs using paired data
- Title（参考訳）: 組合わせデータを用いた口腔内X線撮影における深層学習アルゴリズムの統計的検証
- Authors: Pieter Van Leemput, Johannes Keustermans, Wouter Mollemans
- Abstract要約: 本研究は, 深層学習アルゴリズムを用いた歯科医師の検出性能と, 画像評価を行う歯科医師の先行成績を比較した。
これらの結果の統計的意義は、マクネマール検定と二項仮説検定の両方を用いて広く証明されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article describes the clinical validation study setup, statistical
analysis and results for a deep learning algorithm which detects dental
anomalies in intraoral radiographic images, more specifically caries, apical
lesions, root canal treatment defects, marginal defects at crown restorations,
periodontal bone loss and calculus. The study compares the detection
performance of dentists using the deep learning algorithm to the prior
performance of these dentists evaluating the images without algorithmic
assistance. Calculating the marginal profit and loss of performance from the
annotated paired image data allows for a quantification of the hypothesized
change in sensitivity and specificity. The statistical significance of these
results is extensively proven using both McNemar's test and the binomial
hypothesis test. The average sensitivity increases from $60.7\%$ to $85.9\%$,
while the average specificity slightly decreases from $94.5\%$ to $92.7\%$. We
prove that the increase of the area under the localization ROC curve (AUC) is
significant (from $0.60$ to $0.86$ on average), while the average AUC is
bounded by the $95\%$ confidence intervals ${[}0.54, 0.65{]}$ and ${[}0.82,
0.90{]}$. When using the deep learning algorithm for diagnostic guidance, the
dentist can be $95\%$ confident that the average true population sensitivity is
bounded by the range $79.6\%$ to $91.9\%$. The proposed paired data setup and
statistical analysis can be used as a blueprint to thoroughly test the effect
of a modality change, like a deep learning based detection and/or segmentation,
on radiographic images.
- Abstract（参考訳）: 本稿では, 口腔内X線画像における歯の異常, 特にうっ血, 尖端病変, 根管治療障害, クラウン修復の限界欠陥, 歯周骨の喪失, 石灰化などを検出する深層学習アルゴリズムの臨床的検証, 統計的解析, 結果について述べる。
本研究は, 深層学習アルゴリズムを用いた歯科医師の検出性能と, アルゴリズムを介さずに画像を評価する歯科医師の事前評価結果を比較した。
注釈付きペア画像データから限界利益と性能の損失を計算することにより、感度と特異性の仮説変化の定量化が可能になる。
これらの結果の統計的意義はマクネマーの検定と二項仮説検定の両方を用いて広く証明されている。
平均感度は60.7 %$から85.9 %$に上昇し、平均特異度は94.5 %$から92.7 %$にわずかに低下する。
局所化 ROC 曲線 (AUC) の下での面積増加は (平均で 0.60$ から 0.86$ まで) 著しく、平均 AUC は 95\%$ 信頼区間 ${[}0.54, 0.65{]}$ と ${[}0.82, 0.90{]}$ で有界であることを示す。
診断指導にディープラーニングアルゴリズムを使用する場合、歯科医は、平均的な真の人口の感度が79.6\%$から91.9\%$の範囲で制限されていると確信できる。
提案するペアデータ設定と統計解析は,放射線画像に対するディープラーニングに基づく検出および/またはセグメンテーションなどのモダリティ変化の効果を徹底的にテストするための青写真として使用できる。
関連論文リスト
- Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。
我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。
乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
論文 参考訳（メタデータ） (2024-08-15T23:46:37Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - A Deep Learning Based Workflow for Detection of Lung Nodules With Chest
Radiograph [0.0]
CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。
これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
論文 参考訳（メタデータ） (2021-12-19T16:19:46Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - High-Resolution Segmentation of Tooth Root Fuzzy Edge Based on
Polynomial Curve Fitting with Landmark Detection [14.733417048938518]
ランドマーク検出(HS-PCL)を用いた曲線フィッティングに基づく高分解能セグメンテーションモデルを提案する。
歯根の区分として滑らかな曲線に合うように歯根の端に均等に分布する複数のランドマークを検出することに基づいています。
本モデルでは, 最短アルゴリズム (MNSDA) の最大数を提案し, 間違ったランドマークの負の影響を自動的に低減する。
論文 参考訳（メタデータ） (2021-03-07T04:28:09Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - An Adaptive Enhancement Based Hybrid CNN Model for Digital Dental X-ray
Positions Classification [1.0672152844970149]
適応ヒストグラム等化と畳み込みニューラルネットワーク(CNN)に基づく新しい解法を提案する。
テストセットの精度と特異性は90%を超え、AUCは0.97に達した。
論文 参考訳（メタデータ） (2020-05-01T13:55:44Z) - Individual Tooth Detection and Identification from Dental Panoramic
X-Ray Images via Point-wise Localization and Distance Regularization [10.877276642014515]
提案したネットワークは、まずすべての解剖学的歯に対して中心点回帰を行い、各歯を自動的に識別する。
歯の箱は、パッチベースでカスケードニューラルネットワークを用いて個別に局所化される。
実験結果から,提案アルゴリズムは最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-04-12T04:14:14Z)
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。