論文の概要: Label up: Learning Pulmonary Embolism Segmentation from Image Level Annotation through Model Explainability
- arxiv url: http://arxiv.org/abs/2412.07384v1
- Date: Tue, 10 Dec 2024 10:30:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:37:56.161227
- Title: Label up: Learning Pulmonary Embolism Segmentation from Image Level Annotation through Model Explainability
- Title(参考訳): ラベルアップ:モデル説明可能性による画像レベルのアノテーションから肺塞栓症セグメンテーションを学習する
- Authors: Florin Condrea, Saikiran Rapaka, Marius Leordeanu,
- Abstract要約: 肺塞栓症(PE)は心臓血管死の主要な原因である。
PE診断を支援するAIベースのモデルの開発には、多くの関心が寄せられている。
- 参考スコア(独自算出の注目度): 9.331136782671381
- License:
- Abstract: Pulmonary Embolisms (PE) are a leading cause of cardiovascular death. Computed tomographic pulmonary angiography (CTPA) stands as the gold standard for diagnosing pulmonary embolisms (PE) and there has been a lot of interest in developing AI-based models for assisting in PE diagnosis. Performance of these algorithms has been hindered by the scarcity of annotated data, especially those with fine-grained delineation of the thromboembolic burden. In this paper we attempt to address this issue by introducing a weakly supervised learning pipeline, that leverages model explainability to generate fine-grained (pixel level) masks for embolisms starting from more coarse-grained (binary, image level) PE annotations. Furthermore, we show that training models using the automatically generated pixel annotations yields good PE localization performance. We demonstrate the effectiveness of our pipeline on the large-scale, multi-center RSPECT augmented dataset for PE detection and localization.
- Abstract(参考訳): 肺塞栓症(PE)は心臓血管死の主要な原因である。
CTPAは肺塞栓症(PE)を診断するための金の標準であり, PE診断を支援するAIベースのモデルの開発に多くの関心が寄せられている。
これらのアルゴリズムの性能は、注釈付きデータの不足、特にトロンボリック負荷のきめ細かいデライン化によって妨げられている。
本稿では,より粗い(バイナリ,イメージレベル)PEアノテーションから始まる塞栓症に対して,モデル説明可能性を活用して,詳細な(ピクセルレベルの)マスクを生成する,弱教師付き学習パイプラインを導入することでこの問題に対処する。
さらに,自動生成した画素アノテーションを用いたトレーニングモデルにより,PEのローカライゼーション性能が向上することを示す。
PE検出と局所化のための大規模マルチセンターRSPECT拡張データセットにおけるパイプラインの有効性を実証する。
関連論文リスト
- Transformer-based Time-Series Biomarker Discovery for COPD Diagnosis [0.0]
慢性閉塞性肺障害(COPD)は非可逆性で進行性の疾患であり、高い遺伝性を有する。
ここでは, 高次元の生のスピログラムを用いることで, 要約法よりもリッチな信号が得られることを示す。
我々はトランスフォーマーを用いた深層学習手法を設計し、人口統計情報とともに生のスピログラム値を処理し、PDに関連する臨床関連エンドポイントを予測する。
論文 参考訳(メタデータ) (2024-11-13T21:09:55Z) - SCUNet++: Swin-UNet and CNN Bottleneck Hybrid Architecture with
Multi-Fusion Dense Skip Connection for Pulmonary Embolism CT Image
Segmentation [2.7258121537483126]
肺塞栓症 (PE) は右室肥大と重症症例の不全につながる肺疾患である。
従来のPE検出は、画像技術の限界により臨床実践における課題を呈する。
SCUNet++ (Swin Conv UNet++) と呼ばれる自動PEセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2023-12-22T14:06:03Z) - ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic
Diffusion Models [69.9178140563928]
大腸内視鏡検査は臨床診断や治療に不可欠である。
注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。
本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
論文 参考訳(メタデータ) (2023-09-03T07:55:46Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T16:38:13Z) - Weakly Supervised Airway Orifice Segmentation in Video Bronchoscopy [0.0]
本論文は気管支鏡視下気管支鏡視下における気管支拡張術の自動化について述べる。
このタスクに対するディープラーニングベースのアプローチは、現在、容易に利用できる真実のセグメンテーションデータが欠如しているため、妨げられている。
我々はk平均からなるデータ駆動パイプラインと、コンパクトなマーカーベースの流域アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-24T12:18:25Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Convolutional Neural Network for Early Pulmonary Embolism Detection via
Computed Tomography Pulmonary Angiography [0.0]
本研究の目的は,肺塞栓症(PE)患者を対象としたコンピュータ支援検出システムの開発である。
提案したCADシステムは,PE患者と非PE患者を区別し,自動的にPE病変をラベル付けする。
論文 参考訳(メタデータ) (2022-04-07T04:16:11Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Semi-Supervised Segmentation of Radiation-Induced Pulmonary Fibrosis
from Lung CT Scans with Multi-Scale Guided Dense Attention [12.50972252041458]
我々はPF-Netと呼ばれる新しい畳み込みニューラルネットワークを提案する。
PF-Netは2Dと3Dの畳み込みを組み合わせ、大きなスライス間隔でCTボリュームを扱う。
放射線誘起PFによるRhesus MacaquesのCTスキャン実験により、PF-Netは既存の2D, 3D, 2.5Dニューラルネットワークよりも高いセグメンテーション精度を示した。
論文 参考訳(メタデータ) (2021-09-29T03:35:50Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳(メタデータ) (2020-05-06T15:19:15Z)
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。