論文の概要: From Radiologist Report to Image Label: Assessing Latent Dirichlet Allocation in Training Neural Networks for Orthopedic Radiograph Classification
- arxiv url: http://arxiv.org/abs/2408.13284v1
- Date: Thu, 22 Aug 2024 19:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 20:08:51.183341
- Title: From Radiologist Report to Image Label: Assessing Latent Dirichlet Allocation in Training Neural Networks for Orthopedic Radiograph Classification
- Title（参考訳）: 放射線医学報告から画像ラベルへ: オルソペック・ラジオグラフィー分類のためのトレーニングニューラルネットワークにおける潜在ディリクレ配置の評価
- Authors: Jakub Olczak, Max Gordon,
- Abstract要約: 遅延ディリクレ割り当て(LDA)は、自動的に文書をトピックに分類するNLP手法である。
自動MLパイプラインは, 整形外科的外傷のX線写真から, どのように分類できるかを検討した。
- 参考スコア（独自算出の注目度）: 1.104960878651584
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Radiography (X-rays) is the dominant modality in orthopedics, and improving the interpretation of radiographs is clinically relevant. Machine learning (ML) has revolutionized data analysis and has been applied to medicine, with some success, in the form of natural language processing (NLP) and artificial neural networks (ANN). Latent Dirichlet allocation (LDA) is an NLP method that automatically categorizes documents into topics. Successfully applying ML to orthopedic radiography could enable the creation of computer-aided decision systems for use in the clinic. We studied how an automated ML pipeline could classify orthopedic trauma radiographs from radiologist reports. Methods: Wrist and ankle radiographs from Danderyd Hospital in Sweden taken between 2002 and 2015, with radiologist reports. LDA was used to create image labels for radiographs from the radiologist reports. Radiographs and labels were used to train an image recognition ANN. The ANN outcomes were manually reviewed to get an accurate estimate of the method's utility and accuracy. Results: Image Labels generated via LDA could successfully train the ANN. The ANN reached an accuracy between 91% and 60% compared to a gold standard, depending on the label. Conclusions: We found that LDA was unsuited to label orthopedic radiographs from reports with high accuracy. However, despite this, the ANN could learn to detect some features in radiographs with high accuracy. The study also illustrates how ML and ANN can be applied to medical research.
- Abstract（参考訳）: 背景:X線撮影は整形外科において支配的なモダリティであり,X線画像の解釈を改善することは臨床的に重要である。
機械学習(ML)はデータ分析に革命をもたらし、自然言語処理(NLP)とニューラルネットワーク(ANN)という形で医学に応用されてきた。
遅延ディリクレ割り当て(LDA)は、自動的に文書をトピックに分類するNLP手法である。
整形ラジオグラフィーにMLを適用することに成功すれば、クリニックで使用するコンピュータ支援決定システムの作成が可能になる。
自動MLパイプラインは, 整形外科的外傷のX線写真から, どのように分類できるかを検討した。
方法: スウェーデンのDanderyd病院で2002年から2015年にかけて撮影されたリストと足首のX線写真。
LDAは、放射線学者の報告から放射線写真用の画像ラベルを作成するために使われた。
ラジオグラフィーとラベルは、画像認識ANNの訓練に使用された。
ANNの結果を手作業でレビューし、その方法の有用性と精度を正確に見積もった。
結果: LDAで生成された画像ラベルは、ANNのトレーニングに成功しました。
ANNは、レーベルによって、ゴールド・スタンダードに比べて91%から60%の精度に達した。
結論: LDAは, 高い精度で, 整形外科的X線写真に適合しないことが明らかとなった。
しかし、それにもかかわらず、ANNは高い精度でラジオグラフィーのいくつかの特徴を検出することを学べる。
この研究は、MLとANNが医学研究にどのように応用できるかも示している。
関連論文リスト
- Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳（メタデータ） (2022-08-17T09:07:45Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - Interpretation of Chest x-rays affected by bullets using deep transfer
learning [0.8189696720657246]
放射線学における深層学習は、異なる疾患を分類し、検出し、分類する機会を提供する。
提案した研究では,X線を銃弾の影響を受け,局所的に分類する医療画像の非自明な側面について検討した。
深層学習を用いた弾による放射線画像の検出と分類に関する最初の研究である。
論文 参考訳（メタデータ） (2022-03-25T05:53:45Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - RATCHET: Medical Transformer for Chest X-ray Diagnosis and Reporting [3.2203233123671056]
RATCHETはCNN-RNNベースの医療トランスフォーマーで、エンドツーエンドにトレーニングされている。
胸部X線写真から画像の特徴を抽出し、医学的に正確なテキストレポートを生成することができる。
論文 参考訳（メタデータ） (2021-07-05T15:58:48Z) - RIDnet: Radiologist-Inspired Deep Neural Network for Low-dose CT
Denoising [10.101822678034393]
低用量CT(LDCT)は早期の肺癌やCOVID-19のスクリーニングに広く採用されている。
LDCT画像は複雑なノイズによる劣化に必然的に悩まされる。
LDCT画像を読み取る放射線科医のワークフローを模倣する,RIDnet(Radioologist-inspired Deep Denoising Network)という新しいディープラーニングモデルを提案する。
論文 参考訳（メタデータ） (2021-05-15T05:59:01Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Labelling imaging datasets on the basis of neuroradiology reports: a
validation study [0.3871995016053975]
我々の経験では、レポートのみからのイメージにバイナリラベルを割り当てることは極めて正確である。
しかし、バイナリラベルとは対照的に、より粒度の細かいラベルの精度はカテゴリに依存する。
また,非専門家によるトレーニングレポートのラベル付けを行うと,下流モデルの性能が低下することを示す。
論文 参考訳（メタデータ） (2020-07-08T16:12:10Z) - Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning [17.315387269810426]
我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。
我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。
このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
論文 参考訳（メタデータ） (2020-06-18T08:12:54Z)
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。