論文の概要: Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for
False Positive Reduction in Pulmonary Nodule Detection
- arxiv url: http://arxiv.org/abs/2003.04454v1
- Date: Mon, 9 Mar 2020 23:18:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 09:08:48.665188
- Title: Single-view 2D CNNs with Fully Automatic Non-nodule Categorization for
False Positive Reduction in Pulmonary Nodule Detection
- Title（参考訳）: 肺結節検出における偽陽性抑制のための完全非結節分類付きシングルビュー2次元CNN
- Authors: Hyunjun Eun, Daeyeong Kim, Chanho Jung, Changick Kim
- Abstract要約: 肺結節検出では、第1段階である候補検出は、疑わしい肺結節を検出することを目的としている。
この課題は,1) 結節数と非結節数の不均衡,2) 非結節数のクラス内多様性により困難である。
本稿では,既存の3次元CNN手法よりも優れた2次元CNNのアンサンブルを用いた新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 29.597929819870203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and Objective: In pulmonary nodule detection, the first stage,
candidate detection, aims to detect suspicious pulmonary nodules. However,
detected candidates include many false positives and thus in the following
stage, false positive reduction, such false positives are reliably reduced.
Note that this task is challenging due to 1) the imbalance between the numbers
of nodules and non-nodules and 2) the intra-class diversity of non-nodules.
Although techniques using 3D convolutional neural networks (CNNs) have shown
promising performance, they suffer from high computational complexity which
hinders constructing deep networks. To efficiently address these problems, we
propose a novel framework using the ensemble of 2D CNNs using single views,
which outperforms existing 3D CNN-based methods.
Methods: Our ensemble of 2D CNNs utilizes single-view 2D patches to improve
both computational and memory efficiency compared to previous techniques
exploiting 3D CNNs. We first categorize non-nodules on the basis of features
encoded by an autoencoder. Then, all 2D CNNs are trained by using the same
nodule samples, but with different types of non-nodules. By extending the
learning capability, this training scheme resolves difficulties of extracting
representative features from non-nodules with large appearance variations. Note
that, instead of manual categorization requiring the heavy workload of
radiologists, we propose to automatically categorize non-nodules based on the
autoencoder and k-means clustering.
- Abstract（参考訳）: 背景と目的:肺結節検出では,第1段階として,疑わしい肺結節を検出することを目的とする。
しかし、検出された候補には多くの偽陽性が含まれており、次の段階では偽陽性が確実に減少する。
この課題は困難であることに注意してください
1)結節数と非結節数の不均衡
2) 非結節のクラス内多様性。
3次元畳み込みニューラルネットワーク(cnns)を用いた手法は有望な性能を示しているが、ディープネットワークの構築を妨げる高い計算複雑性に苦しむ。
これらの問題を効率的に解決するために,従来の3次元CNN手法よりも優れた2次元CNNのアンサンブルを用いた新しいフレームワークを提案する。
方法:2D CNNのアンサンブルでは,従来の3D CNNの手法と比較して,シングルビュー2Dパッチを用いて計算効率とメモリ効率を改善する。
まず、オートエンコーダでエンコードされた特徴に基づいて非結節を分類する。
次に、すべての2D CNNは、同じ結節サンプルを使用して訓練されるが、異なるタイプの非結節を持つ。
学習能力を拡張することにより,出現変動が大きい非節から代表的特徴を抽出することの難しさを解消する。
放射線技師の作業負荷の重い手動分類の代わりに,オートエンコーダとk平均クラスタリングに基づいて,非ノイズを自動的に分類することを提案する。
関連論文リスト
- Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - Application of 2-D Convolutional Neural Networks for Damage Detection in
Steel Frame Structures [0.0]
本稿では,2次元畳み込みニューラルネットワーク(2次元CNN)を特徴抽出と分類段階の両方に応用する。
本手法では、深度ではなく、光ったCNNのネットワークを使用し、生の加速度信号を入力とする。
論文 参考訳（メタデータ） (2021-10-29T16:29:31Z) - Multi-Slice Dense-Sparse Learning for Efficient Liver and Tumor
Segmentation [4.150096314396549]
ディープ畳み込みニューラルネットワーク(DCNN)は2次元および3次元の医用画像セグメンテーションにおいて大きな成功を収めている。
そこで我々は,DCNNを正規化するための入力として,密接な隣接スライスと疎隣接スライスを抽出するデータの観点から,新しい密集スプリストレーニングフローを提案する。
また、ネットワークの観点から2.5Dの軽量nnU-Netを設計し、その効率を向上させるために深度的に分離可能な畳み込みを採用する。
論文 参考訳（メタデータ） (2021-08-15T15:29:48Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - Accurate and Efficient Intracranial Hemorrhage Detection and Subtype
Classification in 3D CT Scans with Convolutional and Long Short-Term Memory
Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。
提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。
最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文 参考訳（メタデータ） (2020-08-01T17:28:25Z) - Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance
Disparity Estimation [51.17232267143098]
ステレオ画像から3次元物体を検出するための新しいシステムDisp R-CNNを提案する。
我々は、LiDAR点雲を必要とせずに、統計的形状モデルを用いて、密度の異なる擬似地下構造を生成する。
KITTIデータセットの実験によると、LiDARの基盤構造がトレーニング時に利用できない場合でも、Disp R-CNNは競争性能を達成し、平均精度で従来の最先端手法を20%上回っている。
論文 参考訳（メタデータ） (2020-04-07T17:48:45Z) - 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis
Classification [20.245580301060418]
分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。
本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
論文 参考訳（メタデータ） (2020-02-27T18:32:52Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳（メタデータ） (2020-02-11T08:24:19Z)
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。