大規模胸部CTボリュームによる機械学習に基づく多重異常予測【JST・京大機械翻訳】

Draelos Rachel Lea; Dov David; Mazurowski Maciej A.; Lo Joseph Y.; Henao Ricardo; Rubin Geoffrey D.; Carin Lawrence

プレプリント

J-GLOBAL ID：202202202397093189 整理番号：22P0110791

大規模胸部CTボリュームによる機械学習に基づく多重異常予測【JST・京大機械翻訳】

Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年02月11日プレプリントサーバーでの情報更新日： 2020年10月12日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

放射線学のための機械学習モデルは,異常のための高品質ラベルを有する大規模データセットから利益を得る。19993名のユニークな患者から36,316体積の胸部コンピュータ断層撮影(CT)データセットを整理し,分析した。これは,報告された最大の多重注釈体積医用画像データセットである。このデータセットを注釈するために,平均Fスコア0.976(最小0.941,max1.0)で,フリーテキストラジオロジーレポートから異常ラベルを自動的に抽出するためのルールベース方法を開発した。また,深部畳込みニューラルネットワーク(CNN)を用いる胸部CTボリュームの多臓器,多疾病分類のためのモデルを開発した。このモデルは18異常に対して0.90以上のAUROCの分類性能に達し,全83異常に対する平均AUROCは0.773であり,非濾過全容積CTデータからの学習の実現可能性を示した。著者らは,より多くのラベルの訓練が性能を有意に改善することを示した:9つのラベル-結節,不透明度,無気肺,胸水,圧密,腫瘤,心膜液,心肥大,および気胸のサブセットに対して,訓練ラベルの数が9から83に増加したとき,モデルの平均AUROCは10%増加した。体積前処理,自動ラベル抽出,および体積異常予測モデルのためのすべてのコードは,公的に利用できる。36,316のCT体積とラベルは,公的に利用可能な制度的承認も行う。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

医用画像処理 , 腫ようの診断 , 放射線を利用した診断

, , , , ,

前のページに戻る