論文の概要: A Deep Learning-Driven Inhalation Injury Grading Assistant Using Bronchoscopy Images

• arxiv url: http://arxiv.org/abs/2505.08517v2
• Date: Thu, 15 May 2025 17:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 14:06:36.736325
• Title: A Deep Learning-Driven Inhalation Injury Grading Assistant Using Bronchoscopy Images
• Title（参考訳）: 気管支鏡画像を用いた深層学習型吸入傷治療支援システム
• Authors: Yifan Li, Alan W Pang, Jo Woon Chong,
• Abstract要約: 吸入障害は、従来のグレーディング法が主観的であるため、臨床診断とグレーディングにおいて課題となる。 そこで本研究では,気管支鏡による吸入外傷の診断支援ツールについて紹介した。
• 参考スコア（独自算出の注目度）: 2.7440389071148386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inhalation injuries present a challenge in clinical diagnosis and grading due to Conventional grading methods such as the Abbreviated Injury Score (AIS) being subjective and lacking robust correlation with clinical parameters like mechanical ventilation duration and patient mortality. This study introduces a novel deep learning-based diagnosis assistant tool for grading inhalation injuries using bronchoscopy images to overcome subjective variability and enhance consistency in severity assessment. Our approach leverages data augmentation techniques, including graphic transformations, Contrastive Unpaired Translation (CUT), and CycleGAN, to address the scarcity of medical imaging data. We evaluate the classification performance of two deep learning models, GoogLeNet and Vision Transformer (ViT), across a dataset significantly expanded through these augmentation methods. The results demonstrate GoogLeNet combined with CUT as the most effective configuration for grading inhalation injuries through bronchoscopy images and achieves a classification accuracy of 97.8%. The histograms and frequency analysis evaluations reveal variations caused by the augmentation CUT with distribution changes in the histogram and texture details of the frequency spectrum. PCA visualizations underscore the CUT substantially enhances class separability in the feature space. Moreover, Grad-CAM analyses provide insight into the decision-making process; mean intensity for CUT heatmaps is 119.6, which significantly exceeds 98.8 of the original datasets. Our proposed tool leverages mechanical ventilation periods as a novel grading standard, providing comprehensive diagnostic support.
• Abstract（参考訳）: 吸入障害は,Abbreviated Injure Score (AIS) などの従来のグレーディング法が主観的であり,機械的換気持続時間や患者死亡率といった臨床パラメータとの堅牢な相関が欠如していることから,臨床診断とグレーディングの課題を呈している。 そこで本研究では,気管支鏡画像を用いた深層学習による吸入障害の診断支援ツールを提案し,主観的変動を克服し,重症度評価における一貫性を高める。 本手法では,画像変換やコントラストアンペア翻訳(CUT),サイクロンGANなどのデータ拡張技術を用いて,医用画像データの不足に対処する。 我々は、これらの拡張手法により大幅に拡張されたデータセット間で、2つのディープラーニングモデル、GoogLeNetとVit(Vit)の分類性能を評価する。 以上の結果から,CUTとGoogLeNetを併用した気管支鏡画像による吸入障害の分類は最も効果的であり,97.8%の分類精度が得られた。 ヒストグラムおよび周波数解析評価は,周波数スペクトルのヒストグラムの分布変化とテクスチャ細部の変化に伴う拡張CUTによる変動を明らかにする。 PCAビジュアライゼーションは、CUTが特徴空間におけるクラス分離性を著しく向上させる。 さらに、Grad-CAM分析は意思決定プロセスに関する洞察を与え、CUTヒートマップの平均強度は119.6であり、元のデータセットの98.8を超えている。 提案ツールでは,機械的換気期間を新たなグレーティング標準として活用し,包括的診断支援を行う。

関連論文リスト

• Federated Learning with LoRA Optimized DeiT and Multiscale Patch Embedding for Secure Eye Disease Recognition [2.1358421658740214]
  本研究では,AIを用いた医用イメージングと疾患検出を先進的に進めるために,データ効率画像変換器(DeIT)を用いたアプローチを提案する。 AUC、F1スコア、精度、最小損失、トップ5の精度で最先端のパフォーマンスを実現している。 Grad-CAM++視覚化は、重要な病理領域を強調し、モデルの臨床的関連性を高めることにより、解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2025-05-11T13:51:56Z)
• Enhanced Multi-Class Classification of Gastrointestinal Endoscopic Images with Interpretable Deep Learning Model [0.7349657385817541]
  本研究は,Kvasirデータセットから8000個のラベル付き内視鏡画像を用いて分類精度を向上させる新しい手法を提案する。 提案したアーキテクチャは、適度なモデルの複雑さを保ちながら、データ拡張への依存をなくす。 テスト精度は94.25%、精度は94.29%、リコールは94.24%である。
  論文  参考訳（メタデータ） (2025-03-02T08:07:50Z)
• DiffuPT: Class Imbalance Mitigation for Glaucoma Detection via Diffusion Based Generation and Model Pretraining [1.8218878957822688]
  緑内障は、視神経頭の構造的損傷と視野の機能的変化を特徴とする進行性視神経症である。 本研究では, 緑内障の診断, 特に合成データ生成によるクラス不均衡に対処するために, 生成的枠組みを用いている。
  論文  参考訳（メタデータ） (2024-12-04T17:39:44Z)
• Local Lesion Generation is Effective for Capsule Endoscopy Image Data Augmentation in a Limited Data Setting [0.0]
  そこで我々は, 局所病変生成手法を2つ提案し, 小型医用画像データセットの増大に対処する。 最初のアプローチでは、古典的な画像処理技術であるPoisson Image Editingアルゴリズムを使用して、リアルな画像合成を生成する。 第2のアプローチでは、微調整されたイメージインペインティングGANを利用して、現実的な病変を合成する新しい生成手法を導入している。
  論文  参考訳（メタデータ） (2024-11-05T13:44:25Z)
• 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)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• 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)
• 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)
• 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)

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。