論文の概要: A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images
- arxiv url: http://arxiv.org/abs/2002.04493v1
- Date: Tue, 11 Feb 2020 15:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 02:21:46.258010
- Title: A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images
- Title(参考訳): CT画像による膵癌の新規かつ効率的な腫瘍検出フレームワーク
- Authors: Zhengdong Zhang, Shuai Li, Ziyang Wang and Yun Lu
- Abstract要約: 本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
- 参考スコア(独自算出の注目度): 21.627818410241552
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As Deep Convolutional Neural Networks (DCNNs) have shown robust performance
and results in medical image analysis, a number of deep-learning-based tumor
detection methods were developed in recent years. Nowadays, the automatic
detection of pancreatic tumors using contrast-enhanced Computed Tomography (CT)
is widely applied for the diagnosis and staging of pancreatic cancer.
Traditional hand-crafted methods only extract low-level features. Normal
convolutional neural networks, however, fail to make full use of effective
context information, which causes inferior detection results. In this paper, a
novel and efficient pancreatic tumor detection framework aiming at fully
exploiting the context information at multiple scales is designed. More
specifically, the contribution of the proposed method mainly consists of three
components: Augmented Feature Pyramid networks, Self-adaptive Feature Fusion
and a Dependencies Computation (DC) Module. A bottom-up path augmentation to
fully extract and propagate low-level accurate localization information is
established firstly. Then, the Self-adaptive Feature Fusion can encode much
richer context information at multiple scales based on the proposed regions.
Finally, the DC Module is specifically designed to capture the interaction
information between proposals and surrounding tissues. Experimental results
achieve competitive performance in detection with the AUC of 0.9455, which
outperforms other state-of-the-art methods to our best of knowledge,
demonstrating the proposed framework can detect the tumor of pancreatic cancer
efficiently and accurately.
- Abstract(参考訳): 近年,Deep Convolutional Neural Networks (DCNNs) が医療画像解析において堅牢な性能を示し,多くの深層学習に基づく腫瘍検出法が開発されている。
近年,造影CT(Content-enhanced Computed Tomography)による膵腫瘍の自動検出が膵癌の診断とステージングに広く応用されている。
伝統的な手作りの手法は低レベルの特徴のみを抽出する。
しかし、通常の畳み込みニューラルネットワークでは、効果的なコンテキスト情報を十分に活用できず、検出結果が劣る。
本稿では,複数のスケールでコンテキスト情報を完全に活用することを目的とした,新規かつ効率的な膵腫瘍検出フレームワークを設計する。
より具体的には、提案手法の貢献は主に機能ピラミッドネットワークの拡張、自己適応的機能融合、依存関係計算(dc)モジュールの3つのコンポーネントで構成されている。
まず、低レベルの正確なローカライゼーション情報を完全抽出し、伝播するボトムアップパス増強を行う。
次に、Self-Adaptive Feature Fusionは提案した領域に基づいて、よりリッチなコンテキスト情報を複数のスケールでエンコードする。
最後に、dcモジュールは提案と周囲の組織間の相互作用情報をキャプチャするために特別に設計されている。
auc 0.9455を用いて膵癌の腫瘍を効率的に高精度に検出する手法を実証した。
関連論文リスト
- Integrating Preprocessing Methods and Convolutional Neural Networks for
Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。
本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。
医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文 参考訳(メタデータ) (2024-02-25T23:49:05Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳(メタデータ) (2023-10-09T03:00:15Z) - ISA-Net: Improved spatial attention network for PET-CT tumor
segmentation [22.48294544919023]
多モードポジトロン放射トモグラフィー(PET-CT)に基づく深層学習セグメンテーション法を提案する。
腫瘍検出におけるPETやCTの精度を高めるために,改良された空間注意ネットワーク(ISA-Net)を設計した。
今回提案したISA-Net法を,軟部組織肉腫 (STS) と頭頸部腫瘍 (HECKTOR) の2つの臨床データセットで検証した。
論文 参考訳(メタデータ) (2022-11-04T04:15:13Z) - 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) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳(メタデータ) (2022-01-07T07:46:01Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳(メタデータ) (2021-08-05T10:35:06Z) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳(メタデータ) (2020-09-27T16:42:59Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。