論文の概要: Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset

• arxiv url: http://arxiv.org/abs/2408.13542v1
• Date: Sat, 24 Aug 2024 10:14:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 19:09:24.487191
• Title: Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset
• Title（参考訳）: 少数者からの学習:限られたデータセットを用いた小児手首病理診断へのきめ細かいアプローチ
• Authors: Ammar Ahmed, Ali Shariq Imran, Zenun Kastrati, Sher Muhammad Daudpota, Mohib Ullah, Waheed Noord,
• Abstract要約: 悪性腫瘍,特に小児・青年に共通する骨折は重要な診断課題である。 近年の深部畳み込みニューラルネットワークの進歩は、外傷X線における病理検出の自動化を約束している。 従来の手作業による注釈は効果的だが、精巧で費用がかかり、専門的な専門知識を必要とする。 手動で介入することなく、X線における識別領域を自動的に識別することを目的とした、きめ細かいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 4.391219238034502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wrist pathologies, {particularly fractures common among children and adolescents}, present a critical diagnostic challenge. While X-ray imaging remains a prevalent diagnostic tool, the increasing misinterpretation rates highlight the need for more accurate analysis, especially considering the lack of specialized training among many surgeons and physicians. Recent advancements in deep convolutional neural networks offer promise in automating pathology detection in trauma X-rays. However, distinguishing subtle variations between {pediatric} wrist pathologies in X-rays remains challenging. Traditional manual annotation, though effective, is laborious, costly, and requires specialized expertise. {In this paper, we address the challenge of pediatric wrist pathology recognition with a fine-grained approach, aimed at automatically identifying discriminative regions in X-rays without manual intervention. We refine our fine-grained architecture through ablation analysis and the integration of LION.} Leveraging Grad-CAM, an explainable AI technique, we highlight these regions. Despite using limited data, reflective of real-world medical study constraints, our method consistently outperforms state-of-the-art image recognition models on both augmented and original (challenging) test sets. {Our proposed refined architecture achieves an increase in accuracy of 1.06% and 1.25% compared to the baseline method, resulting in accuracies of 86% and 84%, respectively. Moreover, our approach demonstrates the highest fracture sensitivity of 97%, highlighting its potential to enhance wrist pathology recognition. The implementation code can be found at https://github.com/ammarlodhi255/fine-grained-approach-to-wrist-pathology-recognition
• Abstract（参考訳）: 特に子どもや青年に共通する骨折は、重大な診断上の課題である。 X線画像は依然として一般的な診断ツールであるが、誤解釈率の増加は、特に多くの外科医や医師の間で専門的な訓練が欠如していることを考えると、より正確な分析の必要性を浮き彫りにしている。 近年の深部畳み込みニューラルネットワークの進歩は、外傷X線における病理検出の自動化を約束している。 しかしながら、X線における小児手首の病態の微妙な変化を区別することは依然として困難である。 従来の手作業による注釈は効果的だが、精巧で費用がかかり、専門的な専門知識を必要とする。 本稿では,手動による介入を伴わずに,X線における識別領域を自動的に同定することを目的とした,小児手首病理診断の課題を,きめ細かなアプローチで解決する。 我々は、アブレーション解析とLIONの統合により、きめ細かいアーキテクチャを洗練する。 説明可能なAIテクニックであるGrad-CAMを活用することで、これらの領域を強調します。 実世界の医学研究の制約を反映した限られたデータを用いても,本手法は,拡張テストとオリジナルテストの両方において,最先端の画像認識モデルよりも一貫して優れている。 提案した改良されたアーキテクチャは,ベースライン法に比べて1.06%,1.25%の精度向上を実現し,それぞれ86%,84%の精度向上を実現している。 さらに, 骨折感度は97%と高い値を示し, 手首の病態認識を向上する可能性が示唆された。 実装コードはhttps://github.com/ammarlodhi255/fine-fine-approach-to-wrist-pathology-recognitionで見ることができる。

関連論文リスト

• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Anatomy-Driven Pathology Detection on Chest X-rays [17.670821896026137]
  本稿では,解剖学のプロキシとして解剖学的領域の境界ボックスを用いた解剖学駆動型病理診断(ADPD)を提案する。 解剖学レベルの病理組織ラベルを用いた教師ありトレーニングと画像レベルの病理組織ラベルを用いたマルチインスタンスラーニング(MIL)の2つのトレーニング手法について検討した。 以上の結果から,我々の解剖学レベルのトレーニングアプローチは,弱い教師付き手法と限られたトレーニングサンプルによる完全な教師付き検出よりも優れていた。
  論文  参考訳（メタデータ） (2023-09-05T20:58:15Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
  そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。 提案モデルでは,AUCスコアが0.896であった。
  論文  参考訳（メタデータ） (2022-02-08T00:43:57Z)
• 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)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Knee Osteoarthritis Severity Prediction using an Attentive Multi-Scale Deep Convolutional Neural Network [8.950918531231158]
  本稿では,KellgrenおよびLawrenceグレードの分類をX線から自動的に評価する,深層学習ベースのフレームワークであるOsteHRNetを提案する。 提案モデルでは,OAIデータセットのベースラインコホートにおいて,71.74%,0.311のMAEが最良である。
  論文  参考訳（メタデータ） (2021-06-27T17:29:46Z)
• 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)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• AI Progress in Skin Lesion Analysis [0.0]
  暗黒個体における皮膚画像の欠如に関するAIバイアスの問題、興味のある病変や領域を正確に検出、デライン化、セグメント化できること、ローショットラーニングに関する問題。 ベースラインアルゴリズムと比較すると,肌質解析アルゴリズムは優雅に劣化し,低撮影時でも良好に機能する。
  論文  参考訳（メタデータ） (2020-09-28T13:44:50Z)

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。