論文の概要: Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating
- arxiv url: http://arxiv.org/abs/2003.06801v1
- Date: Sun, 15 Mar 2020 11:46:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 09:12:17.976196
- Title: Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating
- Title(参考訳): 孤立性肺結節悪性度の自動評価のための畳み込みニューラルネットワークアーキテクチャの実験
- Authors: Ioannis D. Apostolopoulos
- Abstract要約: コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。
本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。
具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung Cancer is the most common cause of cancer-related death worldwide. Early
and automatic diagnosis of Solitary Pulmonary Nodules (SPN) in Computer
Tomography (CT) chest scans can provide early treatment as well as doctor
liberation from time-consuming procedures. Deep Learning has been proven as a
popular and influential method in many medical imaging diagnosis areas. In this
study, we consider the problem of diagnostic classification between benign and
malignant lung nodules in CT images derived from a PET/CT scanner. More
specifically, we intend to develop experimental Convolutional Neural Network
(CNN) architectures and conduct experiments, by tuning their parameters, to
investigate their behavior, and to define the optimal setup for the accurate
classification. For the experiments, we utilize PET/CT images obtained from the
Laboratory of Nuclear Medicine of the University of Patras, and the publically
available database called Lung Image Database Consortium Image Collection
(LIDC-IDRI). Furthermore, we apply simple data augmentation to generate new
instances and to inspect the performance of the developed networks.
Classification accuracy of 91% and 93% on the PET/CT dataset and on a selection
of nodule images form the LIDC-IDRI dataset, is achieved accordingly. The
results demonstrate that CNNs are a trustworth method for nodule
classification. Also, the experiment confirms that data augmentation enhances
the robustness of the CNNs.
- Abstract(参考訳): 肺がんは世界中でがんによる死亡の最も多い原因である。
コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放に役立つ。
ディープラーニングは多くの医療画像診断領域で人気があり、影響力のある方法として証明されている。
本研究では,PET/CTスキャナーを用いたCT画像における良性肺結節と悪性肺結節の診断分類の問題点を考察する。
より具体的には、実験的な畳み込みニューラルネットワーク(cnn)アーキテクチャを開発し、パラメータをチューニングし、それらの振る舞いを調査し、正確な分類のための最適な設定を定義する。
実験では,パトラ大学核医学研究所から取得したPET/CT画像と,Lung Image Database Consortium Image Collection (LIDC-IDRI) と呼ばれる公開データベースを利用する。
さらに,新しいインスタンスを生成するために単純なデータ拡張を適用し,開発したネットワークの性能を検査する。
PET/CTデータセットとLIDC-IDRIデータセットを構成する結節画像の選択において、91%と93%の分類精度を実現する。
その結果, CNNは結節分類における信頼度法であることがわかった。
また,データ拡張によりCNNの堅牢性が向上することを確認した。
関連論文リスト
- 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) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳(メタデータ) (2023-05-02T01:04:22Z) - 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) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Predicting Distant Metastases in Soft-Tissue Sarcomas from PET-CT scans
using Constrained Hierarchical Multi-Modality Feature Learning [14.60163613315816]
Distant metastases (DM) は軟部肉腫 (STS) 患者における主要な死因である
STS患者が転移を発症する画像研究から判断することは困難である。
PET-CTデータから患者のDMを予測する3D CNNについて概説する。
論文 参考訳(メタデータ) (2021-04-23T05:12:02Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Primary Tumor Origin Classification of Lung Nodules in Spectral CT using
Transfer Learning [4.0657540412774935]
肺癌の早期発見は死亡率を著しく低下させることが証明されている。
近年,CT (Computerd tomography) やスペクトルCT (Spectral CT) の進歩により診断精度が向上する可能性がある。
我々はCT画像における肺結節の検出と分類システムを提案する。
論文 参考訳(メタデータ) (2020-06-30T09:56:18Z)
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。