کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6921298 | 864448 | 2015 | 13 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Assessing diagnostic complexity: An image feature-based strategy to reduce annotation costs
ترجمه فارسی عنوان
ارزیابی پیچیدگی تشخیصی: یک استراتژی مبتنی بر تصویر برای کاهش هزینه های حاشیه نویسی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تخصیص منابع، تشخیص کامپیوتری، طبقه بندی عکس،
ترجمه چکیده
سیستم های تشخیص کامپیوتری می توانند در کاهش حجم کار رادیولوژیست های بالینی و کاهش هزینه ها با به طور خودکار تجزیه و تحلیل داده های گسترده ای از داده های تصویر و ارائه بینش های معنی دار و به موقع در طول فرایند تصمیم گیری نقش مهمی ایفا کنند. در این مقاله استراتژی هایی را در مورد نحوه مدیریت زمان محدود رادیولوژیست های بالینی در ارتباط با تشخیص مدل پیش بینی شده ارائه می کنیم. برای اولین بار یک معیار برای تبعیض بین دسته های مختلف پیچیدگی تشخیصی (مانند آسان و سخت) که در هنگام تفسیر سی تی اسکن دیده می شود، معرفی می کنیم. دوم، پیشنهاد می کنیم پیچیدگی تشخیصی را با استفاده از یک روش طبقه بندی مبتنی بر ویژگی های تصویری پایین سطح که به طور خودکار از داده های پیکسل استخراج می شود، یاد بگیریم. سپس ما نشان می دهیم که چگونه این طبقه بندی می تواند مورد استفاده قرار گیرد تا تصمیم بگیرد که بهترین روش رادیولوژیست اضافی برای تفسیر یک پرونده براساس طبقه بندی تشخیصی آن باشد. با استفاده از یک مجموعه داده تصویر نودل ریه، ما مشخص کردیم که با تقسیم ساده موارد به سختی و آسان تشخیص، تعداد تفسیرها می توانند به طور قابل ملاحظه ای کاهش پیدا کنند و هزینه های کمتری را در دقت پیش بینی کنند. علاوه بر این، ما نشان می دهیم که فقط با چند ویژگی تصویر پایین (18٪ از مجموعه اصلی) ما قادر به تعیین آسان از موارد سخت برای یک زیرمجموعه قابل توجه (66٪) از داده تصویر تصویر گربه ریه است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
Computer-aided diagnosis systems can play an important role in lowering the workload of clinical radiologists and reducing costs by automatically analyzing vast amounts of image data and providing meaningful and timely insights during the decision making process. In this paper, we present strategies on how to better manage the limited time of clinical radiologists in conjunction with predictive model diagnosis. We first introduce a metric for discriminating between the different categories of diagnostic complexity (such as easy versus hard) encountered when interpreting CT scans. Second, we propose to learn the diagnostic complexity using a classification approach based on low-level image features automatically extracted from pixel data. We then show how this classification can be used to decide how to best allocate additional radiologists to interpret a case based on its diagnosis category. Using a lung nodule image dataset, we determined that, by a simple division of cases into hard and easy to diagnose, the number of interpretations can be distributed to significantly lower the cost with limited loss in prediction accuracy. Furthermore, we show that with just a few low-level image features (18% of the original set) we are able to determine the easy from hard cases for a significant subset (66%) of the lung nodule image data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Biology and Medicine - Volume 62, 1 July 2015, Pages 294-305
Journal: Computers in Biology and Medicine - Volume 62, 1 July 2015, Pages 294-305
نویسندگان
Jose R. Zamacona, Ronald Niehaus, Alexander Rasin, Jacob D. Furst, Daniela S. Raicu,