論文の概要: No Surprises: Training Robust Lung Nodule Detection for Low-Dose CT Scans by Augmenting with Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2003.03824v2
• Date: Wed, 28 Oct 2020 23:55:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 14:16:22.284418
• Title: No Surprises: Training Robust Lung Nodule Detection for Low-Dose CT Scans by Augmenting with Adversarial Attacks
• Title（参考訳）: no surprises: 逆行性攻撃による低用量ctスキャンのための頑健な肺結節検出訓練
• Authors: Siqi Liu, Arnaud Arindra Adiyoso Setio, Florin C. Ghesu, Eli Gibson, Sasa Grbic, Bogdan Georgescu, Dorin Comaniciu
• Abstract要約: コンピュータビジョン技術を用いて結節を検出することで、肺がん検診のための胸部CTの感度と速度を向上させることができる。 多くの研究は、結節候補を検出するためにCNNを使用している。 また、CNNはトレーニングセットで表現されていないサンプルを一般化し、知覚不能なノイズの摂動を生じやすいように制限されることも知られている。
• 参考スコア（独自算出の注目度）: 18.369871933983706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detecting malignant pulmonary nodules at an early stage can allow medical interventions which may increase the survival rate of lung cancer patients. Using computer vision techniques to detect nodules can improve the sensitivity and the speed of interpreting chest CT for lung cancer screening. Many studies have used CNNs to detect nodule candidates. Though such approaches have been shown to outperform the conventional image processing based methods regarding the detection accuracy, CNNs are also known to be limited to generalize on under-represented samples in the training set and prone to imperceptible noise perturbations. Such limitations can not be easily addressed by scaling up the dataset or the models. In this work, we propose to add adversarial synthetic nodules and adversarial attack samples to the training data to improve the generalization and the robustness of the lung nodule detection systems. To generate hard examples of nodules from a differentiable nodule synthesizer, we use projected gradient descent (PGD) to search the latent code within a bounded neighbourhood that would generate nodules to decrease the detector response. To make the network more robust to unanticipated noise perturbations, we use PGD to search for noise patterns that can trigger the network to give over-confident mistakes. By evaluating on two different benchmark datasets containing consensus annotations from three radiologists, we show that the proposed techniques can improve the detection performance on real CT data. To understand the limitations of both the conventional networks and the proposed augmented networks, we also perform stress-tests on the false positive reduction networks by feeding different types of artificially produced patches. We show that the augmented networks are more robust to both under-represented nodules as well as resistant to noise perturbations.
• Abstract（参考訳）: 早期に悪性肺結節を検出することで、肺癌患者の生存率を高める医療介入が可能になる。 結節の検出にコンピュータビジョン技術を使用すると、肺癌検診における胸部ctの感度と解釈速度が向上する。 多くの研究はcnnを用いて結節候補を検出する。 このようなアプローチは、検出精度に関する従来の画像処理手法を上回ることも示されているが、cnnは、トレーニングセットで提示されていないサンプルを一般化し、不可避なノイズの摂動が起こりやすいことも知られている。 このような制限はデータセットやモデルをスケールアップすることで簡単に対処できない。 本研究では, 肺結節検出システムの一般化と堅牢性を向上させるために, 対向性合成結節と対向性攻撃サンプルをトレーニングデータに追加することを提案する。 微分可能な結節シンセサイザーから結節のハードな例を生成するために,射影勾配降下(pgd)を用いて境界近傍の潜在コードを探索し,検出応答を減少させる結節を生成する。 予測外のノイズ摂動に対してネットワークをより堅牢にするために、PGDを用いて、ネットワークが過度に信頼できない誤りを犯す可能性のあるノイズパターンを探索する。 3人の放射線技師によるコンセンサスアノテーションを含む2つのベンチマークデータセットを評価した結果,提案手法は実際のCTデータの検出性能を向上させることができることがわかった。 また,従来のネットワークと提案する拡張ネットワークの両方の限界を理解するため,異なる種類の人工パッチを供給することにより,偽陽性低減ネットワーク上でストレステストを行う。 拡張されたネットワークは雑音の摂動にも耐えられるだけでなく,低表示のノイズにも耐えられることを示した。

関連論文リスト

• MSDet: Receptive Field Enhanced Multiscale Detection for Tiny Pulmonary Nodule [17.838015589388014]
  肺結節は肺癌の早期診断における重要な指標である。 従来のCT画像撮影法は、煩雑な処置、低検出率、ローカライゼーション精度の低下に悩まされていた。 肺小結節検出のためのマルチスケールアテンションおよび受容野ネットワークであるMSDetを提案する。
  論文  参考訳（メタデータ） (2024-09-21T06:08:23Z)
• Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
  本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。 ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2023-10-05T07:48:55Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Identification of lung nodules CT scan using YOLOv5 based on convolution neural network [0.0]
  本研究は, 肺に発生する結節を同定することを目的とした。 1段階検出器YOLOv5は280 CT SCANで訓練された。
  論文  参考訳（メタデータ） (2022-12-31T17:31:22Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• 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)
• Breast Mass Detection with Faster R-CNN: On the Feasibility of Learning from Noisy Annotations [6.262658726461965]
  医療領域における物体検出ネットワークのトレーニングにおけるノイズの影響について検討する。 地上の真理とネットワーク境界ボックスの提案との間の不完全なマッチングにより、トレーニング中にノイズが伝播する方法を示します。 ノイズに対する耐性を向上させるために,新しいマッチング基準を提案する。
  論文  参考訳（メタデータ） (2021-04-25T17:43:58Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules [15.069141581681016]
  フォローアップは肺癌の肺結節管理において重要な役割を担っている。 結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。 我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:18:46Z)

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。