論文の概要: A Systematic Analysis of Input Modalities for Fracture Classification of the Paediatric Wrist
- arxiv url: http://arxiv.org/abs/2412.13856v1
- Date: Wed, 18 Dec 2024 13:52:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:47:59.406371
- Title: A Systematic Analysis of Input Modalities for Fracture Classification of the Paediatric Wrist
- Title(参考訳): 小児関節骨折の分類における入力モーダリティの体系的解析
- Authors: Ron Keuth, Maren Balks, Sebastian Tschauner, Ludger Tüshaus, Mattias Heinrich,
- Abstract要約: ドイツでは毎年約80万人が治療を受けており、子供や青年の骨折は最も多い。
AO/OTAシステムは、治療決定の基礎となる構造化骨折型分類を提供する。
現在のディープラーニングモデルは、経験豊富な放射線学者に匹敵する性能を示している。
- 参考スコア(独自算出の注目度): 0.46533489982168674
- License:
- Abstract: Fractures, particularly in the distal forearm, are among the most common injuries in children and adolescents, with approximately 800 000 cases treated annually in Germany. The AO/OTA system provides a structured fracture type classification, which serves as the foundation for treatment decisions. Although accurately classifying fractures can be challenging, current deep learning models have demonstrated performance comparable to that of experienced radiologists. While most existing approaches rely solely on radiographs, the potential impact of incorporating other additional modalities, such as automatic bone segmentation, fracture location, and radiology reports, remains underexplored. In this work, we systematically analyse the contribution of these three additional information types, finding that combining them with radiographs increases the AUROC from 91.71 to 93.25. Our code is available on GitHub.
- Abstract(参考訳): 骨折、特に前腕遠位部の骨折は、子供や思春期で最も多い怪我であり、ドイツでは毎年約800万人の患者が治療を受けている。
AO/OTAシステムは、治療決定の基礎となる構造化骨折型分類を提供する。
骨折の正確な分類は難しいが、現在のディープラーニングモデルは経験豊富な放射線学者に匹敵する性能を示している。
既存のアプローチはラジオグラフのみに頼っているが、骨の自動分割、骨折位置、および放射線学の報告など、他の追加の手段を取り入れることによる潜在的な影響は、まだ解明されていない。
本研究は,これら3つの追加情報タイプの貢献を系統的に分析し,これらとラジオグラフィーを組み合わせることで,AUROCを91.71から93.25に増加させることを示した。
私たちのコードはGitHubで入手可能です。
関連論文リスト
- Learning from the few: Fine-grained approach to pediatric wrist pathology recognition on a limited dataset [4.391219238034502]
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。
論文 参考訳(メタデータ) (2024-08-24T10:14:52Z) - Deep Rib Fracture Instance Segmentation and Classification from CT on
the RibFrac Challenge [66.86170104167608]
RibFrac Challengeは、660のCTスキャンから5,000以上のリブ骨折のベンチマークデータセットを提供する。
MICCAI 2020チャレンジ期間中に243つの結果が評価され、7つのチームがチャレンジサマリーに参加するために招待された。
この分析により、いくつかのトップリブ骨折検出ソリューションが、人間の専門家と同等かそれ以上の性能を達成したことが明らかになった。
論文 参考訳(メタデータ) (2024-02-14T18:18:33Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - Faint Features Tell: Automatic Vertebrae Fracture Screening Assisted by
Contrastive Learning [11.944282446506396]
長期の脊椎骨折は患者の生活の質に深刻な影響を与え、気胸、腰椎変形、さらには麻痺を引き起こしている。
特に、深層学習モデルや経験の浅い医師では、軽度の骨折と正常なコントロールを区別することは極めて困難である。
そこで本研究では,CTスキャンを用いてGenentの脊椎骨折度を推定するための教師付きコントラスト学習ベースモデルを提案する。
両分類では99%,感度は85%,マクロF1は77%であった。
論文 参考訳(メタデータ) (2022-08-23T02:39:08Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳(メタデータ) (2021-08-14T08:14:52Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z) - VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs [0.812774532310979]
本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
5000件の研究から得られた10,468個の脊椎X線画像からなる大規模なデータセットを構築した。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
論文 参考訳(メタデータ) (2021-06-24T11:45:44Z) - Knowledge Distillation with Adaptive Asymmetric Label Sharpening for
Semi-supervised Fracture Detection in Chest X-rays [20.878741070685468]
高性能コンピュータ支援診断(cad)モデルのトレーニングに利用可能な医療記録を活用する。
これまでの方法では、医療記録における低疾患の頻度を考慮せず、医療記録から示される画像レベルの診断を活用できなかった。
医療記録から抽出した大規模画像レベルラベルを効果的に活用する新しい知識蒸留法を提案する。
論文 参考訳(メタデータ) (2020-12-30T23:12:40Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳(メタデータ) (2020-10-09T10:15:26Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳(メタデータ) (2020-08-18T10:03:45Z)
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。