論文の概要: Efficient and Accurate Tuberculosis Diagnosis: Attention Residual U-Net and Vision Transformer Based Detection Framework

• arxiv url: http://arxiv.org/abs/2501.03538v1
• Date: Tue, 07 Jan 2025 05:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:46:52.309894
• Title: Efficient and Accurate Tuberculosis Diagnosis: Attention Residual U-Net and Vision Transformer Based Detection Framework
• Title（参考訳）: 結核の高能率・高精度診断:注意残差U-Netと視覚変換器を用いた検出フレームワーク
• Authors: Greeshma K, Vishnukumar S,
• Abstract要約: 結核(TB)は予防可能で治療可能であるにもかかわらず、世界的な健康上の脅威であり続けている。 本稿では,結核菌検出のための2段階の深層学習手法を提案する。 最初の段階では、注意ブロックと残差接続を用いた高度なU-Netモデルが、スミア画像の断片化のために提案され、興味領域(ROI)の抽出が可能となった。 抽出したROIはVision Transformerを用いて分類され、TBViTとして特別にカスタマイズされ、画像中のバシリの正確な検出が促進される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Tuberculosis (TB), an infectious disease caused by Mycobacterium tuberculosis, continues to be a major global health threat despite being preventable and curable. This burden is particularly high in low and middle income countries. Microscopy remains essential for diagnosing TB by enabling direct visualization of Mycobacterium tuberculosis in sputum smear samples, offering a cost effective approach for early detection and effective treatment. Given the labour-intensive nature of microscopy, automating the detection of bacilli in microscopic images is crucial to improve both the expediency and reliability of TB diagnosis. The current methodologies for detecting tuberculosis bacilli in bright field microscopic sputum smear images are hindered by limited automation capabilities, inconsistent segmentation quality, and constrained classification precision. This paper proposes a twostage deep learning methodology for tuberculosis bacilli detection, comprising bacilli segmentation followed by classification. In the initial phase, an advanced U-Net model employing attention blocks and residual connections is proposed to segment microscopic sputum smear images, enabling the extraction of Regions of Interest (ROIs). The extracted ROIs are then classified using a Vision Transformer, which we specifically customized as TBViT to enhance the precise detection of bacilli within the images. For the experiments, a newly developed dataset of microscopic sputum smear images derived from Ziehl-Neelsen-stained slides is used in conjunction with existing public datasets. The qualitative and quantitative evaluation of the experiments using various metrics demonstrates that the proposed model achieves significantly improved segmentation performance, higher classification accuracy, and a greater level of automation, surpassing existing methods.
• Abstract（参考訳）: Mycobacterium tuberculosis (TB)は結核菌によって引き起こされる感染症で、予防と治療が可能であるにもかかわらず、世界的な健康上の脅威となっている。 この負担は特に低所得国と中所得国で高い。 マイコバクテリウム結核の結核菌検体での直接可視化を可能にし、早期発見と治療に費用対効果のあるアプローチを提供することにより、TBの診断には顕微鏡が不可欠である。 顕微鏡の労働集約性を考えると,顕微鏡画像におけるバシリ検出の自動化は,TB診断の迅速性と信頼性を両立させる上で重要である。 明るい視野の顕微鏡スミア画像における結核菌の検出方法は、限られた自動化能力、一貫性のないセグメンテーション品質、制約された分類精度によって妨げられる。 本稿では,結核菌検出のための2段階の深層学習手法を提案する。 初期段階では、注意ブロックと残差接続を用いた高度なU-Netモデルが、スミア画像の断片化のために提案され、興味領域(ROI)の抽出が可能となった。 抽出したROIはVision Transformerを用いて分類され、TBViTとして特別にカスタマイズされ、画像中のバシリの正確な検出が促進される。 実験では、Ziehl-Neelsen染色スライスから得られた顕微鏡スミア画像のデータセットを、既存の公開データセットと組み合わせて使用した。 各種測定値を用いた実験の質的,定量的評価により,提案手法はセグメント化性能を著しく向上し,分類精度が向上し,自動化のレベルが向上し,既存手法を上回ることを示した。

関連論文リスト

• Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
  Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。 蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。 本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2025-01-07T05:21:13Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Design to automate the detection and counting of Tuberculosis(TB) bacilli [0.0]
  世界保健機関(WHO)は結核の早期診断に標準的な顕微鏡検査を推奨している。 顕微鏡で、技術者は、どんなTBバシリの存在でも、スミアの視野(FOV)を調べる。 結核菌の検出のためのコンピュータ支援システムを提案し, 感度と特異性の向上を図った。
  論文  参考訳（メタデータ） (2021-05-24T17:41:39Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Prediction of Tuberculosis using U-Net and segmentation techniques [2.1396905301368574]
  本研究の目的は、MODS法およびレンズレス顕微鏡を用いて結核の診断を容易かつ自動化することである。 収集したデータセットにu-netネットワークを用い,コード形状細菌集積の自動セグメント化を行い,結核の予測を行った。
  論文  参考訳（メタデータ） (2021-04-02T14:35:00Z)
• 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)
• Cancer image classification based on DenseNet model [3.3516258832067067]
  DenseNet Blockに基づく新しい転移性癌画像分類モデルを提案する。 PatchCamelyon(PCam)ベンチマークデータセットのわずかに修正されたバージョンに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2020-11-23T03:05:42Z)
• Automatic semantic segmentation for prediction of tuberculosis using lens-free microscopy images [1.4190701053683017]
  本研究はMODS法により結核の診断を容易かつ自動化することを目的としている。 収集したデータセットにU-Netネットワークを用い,結核の予測にTBコードの自動セグメンテーションを行う。
  論文  参考訳（メタデータ） (2020-07-06T00:36:44Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。