論文の概要: Deep Learning on Point Clouds for False Positive Reduction at Nodule
Detection in Chest CT Scans
- arxiv url: http://arxiv.org/abs/2005.03654v2
- Date: Thu, 25 Jun 2020 08:31:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 22:20:41.483003
- Title: Deep Learning on Point Clouds for False Positive Reduction at Nodule
Detection in Chest CT Scans
- Title（参考訳）: 胸部CTスキャンにおける結節検出における偽陽性除去のための点雲の深層学習
- Authors: Ivan Drokin, Elena Ericheva
- Abstract要約: 本稿では,CADeシステムにおける結節候補の偽陽性還元(FPR)に対する新しいアプローチに焦点を当てる。
提案手法では,入力データを2次元画像や3次元画像ではなく,ポイントクラウドとして考慮し,ポイントクラウドにディープラーニングモデルを使用する。
提案手法はベースラインモデルに対して85.98 FROCに対して77.26 FROCよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper focuses on a novel approach for false-positive reduction (FPR) of
nodule candidates in Computer-aided detection (CADe) systems following the
suspicious lesions detection stage. Contrary to typical decisions in medical
image analysis, the proposed approach considers input data not as a 2D or 3D
image, but rather as a point cloud, and uses deep learning models for point
clouds. We discovered that point cloud models require less memory and are
faster both in training and inference compared to traditional CNN 3D, they
achieve better performance and do not impose restrictions on the size of the
input image, i.e. no restrictions on the size of the nodule candidate. We
propose an algorithm for transforming 3D CT scan data to point cloud. In some
cases, the volume of the nodule candidate can be much smaller than the
surrounding context, for example, in the case of subpleural localization of the
nodule. Therefore, we developed an algorithm for sampling points from a point
cloud constructed from a 3D image of the candidate region. The algorithm is
able to guarantee the capture of both context and candidate information as part
of the point cloud of the nodule candidate. We designed and set up an
experiment in creating a dataset from an open LIDC-IDRI database for a feature
of the FPR task, and is herein described in detail. Data augmentation was
applied both to avoid overfitting and as an upsampling method. Experiments were
conducted with PointNet, PointNet++, and DGCNN. We show that the proposed
approach outperforms baseline CNN 3D models and resulted in 85.98 FROC versus
77.26 FROC for baseline models. We compare our algorithm with published SOTA
and demonstrate that even without significant modifications it works at the
appropriate performance level on LUNA2016 and shows SOTA on LIDC-IDRI.
- Abstract（参考訳）: 本稿では,疑わしい病変検出段階を経て,コンピュータ支援検出システム(CADe)における結節候補の偽陽性化(FPR)に対する新しいアプローチに焦点を当てた。
医用画像解析における一般的な決定とは対照的に,提案手法では入力データを2d画像や3d画像ではなくポイントクラウドとして捉え,ポイントクラウドにディープラーニングモデルを用いる。
ポイントクラウドモデルは、従来のcnn 3dと比較してトレーニングと推論の両方においてより高速で、優れたパフォーマンスを実現し、入力画像のサイズに制限を課さないこと、すなわち、nodule候補のサイズに制限がないことが分かりました。
3次元ctスキャンデータをポイントクラウドに変換するアルゴリズムを提案する。
場合によっては、結節候補の体積が周囲の文脈よりもはるかに小さい場合があり、例えば、結節の胸腔内局在の場合である。
そこで我々は,候補領域の3次元画像から構築した点群から点をサンプリングするアルゴリズムを開発した。
このアルゴリズムは、ノード候補のポイントクラウドの一部として、コンテキスト情報と候補情報の捕捉を保証することができる。
我々は,FPRタスクの特徴としてオープンLIDC-IDRIデータベースからデータセットを作成する実験を設計し,設定した。
データ拡張は、オーバーフィッティングを避けるためにも、アップサンプリング方法としても適用された。
PointNet、PointNet++、DGCNNで実験が行われた。
提案手法はベースラインモデルに対して85.98 FROCに対して77.26 FROCよりも優れていることを示す。
提案アルゴリズムを発行したSOTAと比較し,LUNA2016における適切な性能レベルで動作し,LIDC-IDRI上でのSOTAを示す。
関連論文リスト
- Test-Time Adaptation of 3D Point Clouds via Denoising Diffusion Models [19.795578581043745]
3Dポイントクラウドのテスト時間適応は、実世界のシナリオにおけるトレーニングとテストサンプルの相違を緩和するために不可欠である。
本稿では,3D Denoising Diffusion Test-Time Adaptationの略である3DD-TTAと呼ばれる新しい3Dテスト時間適応法を提案する。
論文 参考訳（メタデータ） (2024-11-21T00:04:38Z) - Robust 3D Point Clouds Classification based on Declarative Defenders [18.51700931775295]
3Dポイントの雲は非構造的でスパースであり、2Dイメージは構造的で密度が高い。
本稿では,3次元点雲を2次元画像にマッピングする3つの異なるアルゴリズムについて検討する。
提案手法は敵攻撃に対する高い精度と堅牢性を示す。
論文 参考訳（メタデータ） (2024-10-13T01:32:38Z) - PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳（メタデータ） (2024-07-19T06:29:57Z) - Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - RCP: Recurrent Closest Point for Scene Flow Estimation on 3D Point
Clouds [44.034836961967144]
シーンフローや点雲の登録を含む3次元運動推定が注目されている。
最近の手法では、正確な3次元フローを推定するためのコストボリュームを構築するために、ディープニューラルネットワークを使用している。
問題を2つのインターレースステージに分解し、第1段階では3次元フローをポイントワイズに最適化し、第2段階ではリカレントネットワークでグローバルに正規化する。
論文 参考訳（メタデータ） (2022-05-23T04:04:30Z) - Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit
Neural Representation [79.60988242843437]
そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。
実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
論文 参考訳（メタデータ） (2022-04-18T07:18:25Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - R-AGNO-RPN: A LIDAR-Camera Region Deep Network for Resolution-Agnostic
Detection [3.4761212729163313]
3次元点雲とRGB画像を融合した領域提案ネットワークR-AGNO-RPNを提案する。
私たちのアプローチは、低点のクラウド解像度にも適用できるように設計されています。
論文 参考訳（メタデータ） (2020-12-10T15:22:58Z) - Uniformizing Techniques to Process CT scans with 3D CNNs for
Tuberculosis Prediction [5.270882613122642]
深部2次元畳み込みニューラルネットワーク(CNN)を用いたボリュームデータにおける医用画像解析への共通アプローチ
個々のスライスを2D CNNで独立に扱うと、意図したタスクのパフォーマンスが低下する深度情報を意図的に破棄する。
上記の問題に対処するためのボリューム均一化手法のセットを評価する。
画像情報のみを活用する全手法に勝るテストセットに対して,曲線下面積 (AUC) と二分分類精度 (ACC) を67.5%と報告した。
論文 参考訳（メタデータ） (2020-07-26T21:53:47Z) - Local Grid Rendering Networks for 3D Object Detection in Point Clouds [98.02655863113154]
CNNは強力だが、全点の雲を高密度の3Dグリッドに酸化した後、点データに直接畳み込みを適用するのは計算コストがかかる。
入力点のサブセットの小さな近傍を低解像度の3Dグリッドに独立してレンダリングする,新しい,原理化されたローカルグリッドレンダリング(LGR)演算を提案する。
ScanNetとSUN RGB-Dデータセットを用いた3次元オブジェクト検出のためのLGR-Netを検証する。
論文 参考訳（メタデータ） (2020-07-04T13:57:43Z) - 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)
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。