Lazy学習アプローチを用いたCNNによるCTスキャン画像を用いた頭蓋骨骨折の分類【JST・京大機械翻訳】

Emon Md Moniruzzaman; Ornob Tareque Rahman; Rahman Moqsadur

プレプリント

J-GLOBAL ID：202202217349454860 整理番号：22P0307436

Lazy学習アプローチを用いたCNNによるCTスキャン画像を用いた頭蓋骨骨折の分類【JST・京大機械翻訳】

Classifications of Skull Fractures using CT Scan Images via CNN with Lazy Learning Approach

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 (3件)： , ,
資料名：
発行年： 2022年03月21日プレプリントサーバーでの情報更新日： 2022年03月21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。

頭蓋骨折の分類は放射線科医と研究者の両方にとって挑戦的な仕事である。頭蓋骨折は,骨の破断片をもたらし,脳に切断し,出血および他の傷害型を生じる。したがって,破壊を非常に早期に検出し,分類することは極めて重要である。実世界では,しばしば複数のサイトで骨折が発生する。これは,多くの骨折型が頭蓋骨折を要約する可能性がある骨折型を検出することをより困難にする。残念なことに,頭蓋骨折の手動検出と分類プロセスは時間がかかり,患者の生命を脅かす。深層学習の出現のため,このプロセスを自動化できた。畳み込みニューラルネットワーク(CNN)は,他のモデルと比較して高精度で優れた結果をもたらすので,画像分類のための最も広く用いられている深層学習モデルである。脳CT画像から頭蓋骨折の分類のための分類器として機能する特徴抽出とラザイ学習アプローチのためにCNNを利用して,新しいCNNを構成するSkullNetV1と呼ばれる新しいモデルを提案し,5つの骨折タイプを分類した。提案モデルは,88%のサブセット精度,93%のF1スコア,0.89から0.98の曲線下面積(AUC),92%のHammingスコア,およびこの7クラスマルチラベル分類のための0.04のHamming損失を達成した。【JST・京大機械翻訳】

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

医用画像処理 , 人工知能

, , , ,

前のページに戻る