Fugu-MT 論文翻訳(概要): EndoFinder: Online Image Retrieval for Explainable Colorectal Polyp Diagnosis

論文の概要: EndoFinder: Online Image Retrieval for Explainable Colorectal Polyp Diagnosis

arxiv url: http://arxiv.org/abs/2407.11401v1
Date: Tue, 16 Jul 2024 05:40:17 GMT
ステータス: 処理完了
システム内更新日: 2024-07-17 18:22:47.519969
Title: EndoFinder: Online Image Retrieval for Explainable Colorectal Polyp Diagnosis
Title（参考訳）: EndoFinder: 説明可能な大腸ポリープ診断のためのオンライン画像検索
Authors: Ruijie Yang, Yan Zhu, Peiyao Fu, Yizhe Zhang, Zhihua Wang, Quanlin Li, Pinghong Zhou, Xian Yang, Shuo Wang,
Abstract要約: EndoFinderはコンテンツベースの画像検索フレームワークである。新たに検出されたポリプが与えられた参照データベースでは、'デジタルツイン'ポリプが見つかる。新しいポリプの臨床的意味は、一致したポリプを参照して推測することができる。
参考スコア（独自算出の注目度）: 10.83700068295662
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Determining the necessity of resecting malignant polyps during colonoscopy screen is crucial for patient outcomes, yet challenging due to the time-consuming and costly nature of histopathology examination. While deep learning-based classification models have shown promise in achieving optical biopsy with endoscopic images, they often suffer from a lack of explainability. To overcome this limitation, we introduce EndoFinder, a content-based image retrieval framework to find the 'digital twin' polyp in the reference database given a newly detected polyp. The clinical semantics of the new polyp can be inferred referring to the matched ones. EndoFinder pioneers a polyp-aware image encoder that is pre-trained on a large polyp dataset in a self-supervised way, merging masked image modeling with contrastive learning. This results in a generic embedding space ready for different downstream clinical tasks based on image retrieval. We validate the framework on polyp re-identification and optical biopsy tasks, with extensive experiments demonstrating that EndoFinder not only achieves explainable diagnostics but also matches the performance of supervised classification models. EndoFinder's reliance on image retrieval has the potential to support diverse downstream decision-making tasks during real-time colonoscopy procedures.
Abstract（参考訳）: 大腸内視鏡検査で悪性ポリープを切除する必要性を判断することは患者に不可欠であるが,病理組織学的検査の時間的・費用的な性質から困難である。深層学習に基づく分類モデルは、内視鏡画像を用いた光学的生検の達成を約束する一方で、説明可能性の欠如に悩まされることが多い。この制限を克服するため,コンテンツベースの画像検索フレームワークであるEndoFinderを導入する。新しいポリプの臨床的意味は、一致したポリプを参照して推測することができる。 EndoFinderは、自己教師付き方法で大規模なPolypデータセット上で事前トレーニングされた、ポリプ対応の画像エンコーダの先駆者であり、マスク付きイメージモデリングとコントラスト学習を組み合わせたものだ。これにより、画像検索に基づいて、下流の様々な臨床タスクに対応できる汎用的な埋め込み空間が得られる。我々は,ポリプ再同定と光学バイオプシータスクの枠組みを検証し,EndoFinderが説明可能な診断を達成できるだけでなく,教師付き分類モデルの性能に適合することを示す広範な実験を行った。 EndoFinderのイメージ検索への依存は、リアルタイム大腸内視鏡手術中に様々な下流決定タスクをサポートする可能性がある。

関連論文リスト

CCIS-Diff: A Generative Model with Stable Diffusion Prior for Controlled Colonoscopy Image Synthesis [7.1892156088672]
拡散アーキテクチャに基づく高品質な大腸内視鏡画像合成のための制御された生成モデルを提案する。本手法は, 臨床記述に適合するポリープの空間特性(ポリープ位置と形状)と臨床特性の両方を正確に制御する。
論文参考訳（メタデータ） (2024-11-19T03:30:06Z)
PolypDB: A Curated Multi-Center Dataset for Development of AI Algorithms in Colonoscopy [31.54817948734052]
3934の静止ポリプ画像を含む大規模公開データセットであるPolypDBを紹介する。このデータセットは10人の消化器科医によって開発され、検証されている。 8つの一般的なセグメンテーション法と6つの標準ベンチマークポリープ検出法を用いて、各モダリティのベンチマークを提供する。
論文参考訳（メタデータ） (2024-08-19T05:36:01Z)
Towards Discriminative Representation with Meta-learning for Colonoscopic Polyp Re-Identification [2.78481408391119]
大腸内視鏡によるポリープ再同定は、大きなギャラリーの同じポリープと異なるカメラで撮影された異なるビューの画像とを一致させることを目的としている。 ImageNetデータセットでトレーニングされたCNNモデルを直接適用する従来のオブジェクトReIDの手法は、不満足な検索性能をもたらす。我々は、モデルがより一般的で差別的な知識を学習するのに役立つ、Colo-ReIDという、シンプルで効果的なトレーニング手法を提案する。
論文参考訳（メタデータ） (2023-08-02T04:10:14Z)
Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文参考訳（メタデータ） (2023-07-30T16:08:45Z)
YONA: You Only Need One Adjacent Reference-frame for Accurate and Fast Video Polyp Detection [80.68520401539979]
textbfYONA (textbfYou textbfOnly textbfNeed one textbfAdjacent Reference-frame)は、ビデオポリープ検出のための効率的なエンドツーエンドのトレーニングフレームワークである。提案したYONAは,従来の最先端の競合他社よりも精度と速度の両面で優れています。
論文参考訳（メタデータ） (2023-06-06T13:53:15Z)
Automatic Polyp Segmentation via Multi-scale Subtraction Network [100.94922587360871]
臨床的には、正確なポリープセグメンテーションは大腸癌の早期発見に重要な情報を提供する。既存のほとんどの手法はU字型構造に基づいており、デコーダで段階的に異なるレベルの特徴を融合させるために要素ワイド付加または結合を用いる。大腸内視鏡画像からポリプを抽出するマルチスケールサブトラクションネットワーク(MSNet)を提案する。
論文参考訳（メタデータ） (2021-08-11T07:54:07Z)
Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-08-05T09:31:46Z)
Advances in Artificial Intelligence to Reduce Polyp Miss Rates during Colonoscopy [0.7619404259039283]
本稿では,polypセグメンテーションの最先端性能を実現する,新しいディープニューラルネットワークアーキテクチャを提案する。本アルゴリズムは大腸内視鏡検査に応用でき,ポリープの欠落を減らして消化器科医を支援することができる。
論文参考訳（メタデータ） (2021-05-16T16:10:32Z)
Colonoscopy Polyp Detection: Domain Adaptation From Medical Report Images to Real-time Videos [76.37907640271806]
大腸内視鏡画像と実時間映像の領域間ギャップに対処する画像-ビデオ結合型ポリープ検出ネットワーク(Ivy-Net)を提案する。収集したデータセットの実験は、Ivy-Netが大腸内視鏡ビデオで最先端の結果を達成することを示した。
論文参考訳（メタデータ） (2020-12-31T10:33:09Z)
PraNet: Parallel Reverse Attention Network for Polyp Segmentation [155.93344756264824]
大腸内視鏡画像の高精度なポリープ分割のための並列リバースアテンションネットワーク(PraNet)を提案する。並列部分復号器(PPD)を用いて,まず高層層に特徴を集約する。さらに,エリアとバウンダリの関連性を確立するために,リバースアテンション(RA)モジュールを用いて境界キューをマイニングする。
論文参考訳（メタデータ） (2020-06-13T08:13:43Z)

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。