Fugu-MT 論文翻訳(概要): Detection of Intracranial Hemorrhage for Trauma Patients

論文の概要: Detection of Intracranial Hemorrhage for Trauma Patients

arxiv url: http://arxiv.org/abs/2408.10768v1
Date: Tue, 20 Aug 2024 12:03:59 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 13:55:03.928262
Title: Detection of Intracranial Hemorrhage for Trauma Patients
Title（参考訳）: 外傷患者における頭蓋内出血の検出
Authors: Antoine P. Sanner, Nils F. Grauhan, Marc A. Brockmann, Ahmed E. Othman, Anirban Mukhopadhyay,
Abstract要約: 本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
参考スコア（独自算出の注目度）: 1.0074894923170512
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Whole-body CT is used for multi-trauma patients in the search of any and all injuries. Since an initial assessment needs to be rapid and the search for lesions is done for the whole body, very little time can be allocated for the inspection of a specific anatomy. In particular, intracranial hemorrhages are still missed, especially by clinical students. In this work, we present a Deep Learning approach for highlighting such lesions to improve the diagnostic accuracy. While most works on intracranial hemorrhages perform segmentation, detection only requires bounding boxes for the localization of the bleeding. In this paper, we propose a novel Voxel-Complete IoU (VC-IoU) loss that encourages the network to learn the 3D aspect ratios of bounding boxes and leads to more precise detections. We extensively experiment on brain bleeding detection using a publicly available dataset, and validate it on a private cohort, where we achieve 0.877 AR30, 0.728 AP30, and 0.653 AR30, 0.514 AP30 respectively. These results constitute a relative +5% improvement in Average Recall for both datasets compared to other loss functions. Finally, as there is little data currently publicly available for 3D object detection and as annotation resources are limited in the clinical setting, we evaluate the cost of different annotation methods, as well as the impact of imprecise bounding boxes in the training data on the detection performance.
Abstract（参考訳）: 全身CTは多発外傷患者に対して、あらゆる外傷の検索に使用される。初期評価は急速で、全身の病変の検索を行う必要があるため、特定の解剖検査には非常に少ない時間を割くことができる。特に頭蓋内出血は、特に臨床生が見逃している。本研究では,診断精度を向上させるために,このような病変を強調表示するためのDeep Learningアプローチを提案する。殆どの頭蓋内出血はセグメンテーションを行うが、検出には出血の局所化のための境界ボックスが必要である。本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークがバウンディングボックスの3次元アスペクト比を学習し,より正確な検出を実現する。公開データセットを用いて脳出血検出実験を行い,それぞれ0.877 AR30, 0.728 AP30, 0.653 AR30, 0.514 AP30を達成した。これらの結果は、他の損失関数と比較して、両方のデータセットに対する平均リコールを相対的に+5%改善する。最後に,3次元オブジェクト検出のために現在公開されているデータはほとんどなく,アノテーションリソースが臨床環境で制限されているため,異なるアノテーション手法のコストと,トレーニングデータにおける不正確なバウンディングボックスが検出性能に与える影響を評価する。

関連論文リスト

Topology and Intersection-Union Constrained Loss Function for Multi-Region Anatomical Segmentation in Ocular Images [5.628938375586146]
眼筋無力症(OMG)は早期に発見される稀かつ困難な疾患である。現在、この目的のために利用可能なデータセットやツールは存在しない。我々は,小さなトレーニングデータセットを用いた性能向上を目的とした,新しいトポロジと共役制約付き損失関数(TIU損失)を提案する。
論文参考訳（メタデータ） (2024-11-01T13:17:18Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
CT Perfusion is All We Need: 4D CNN Segmentation of Penumbra and Core in Patients With Suspected Ischemic Stroke [1.6836876499886009]
本稿では,時間情報を完全に活用する4つの畳み込みを入力として利用する方法について検討する。提案した4D mJ-Netを用いることで、ペニブラとコア領域の分割にそれぞれ0.53と0.23のDice係数が得られる。
論文参考訳（メタデータ） (2023-03-15T16:53:19Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文参考訳（メタデータ） (2022-04-12T13:05:18Z)
An Efficient Anchor-free Universal Lesion Detection in CT-scans [19.165942326142538]
そこで本研究では, 種々の病変の規模にまたがって良好に機能する, 頑健な1段階のアンカーフリー病変検出ネットワークを提案する。我々は最先端の手法に匹敵する結果を得、DeepLesionデータセットで全体の感度は86.05%に達する。
論文参考訳（メタデータ） (2022-03-30T06:01:04Z)
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)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文参考訳（メタデータ） (2020-09-09T18:28:00Z)
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)
Universal Lesion Detection by Learning from Multiple Heterogeneously Labeled Datasets [23.471903581482668]
我々は,全データセットを用いてマルチヘッドマルチタスク病変検出法を学習し,DeepLesionの病変提案を生成する。単一型病変検出装置からの知識伝達により,疑わしいが無意味な病変が発見された。本手法は, 平均感度の測定値において, 現在の最先端手法よりも29%優れていた。
論文参考訳（メタデータ） (2020-05-28T02:56:00Z)

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。