Fugu-MT 論文翻訳(概要): Pulmonary Nodule Malignancy Classification Using its Temporal Evolution with Two-Stream 3D Convolutional Neural Networks

論文の概要: Pulmonary Nodule Malignancy Classification Using its Temporal Evolution with Two-Stream 3D Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2005.11341v1
Date: Fri, 22 May 2020 18:19:32 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 09:43:54.668244
Title: Pulmonary Nodule Malignancy Classification Using its Temporal Evolution with Two-Stream 3D Convolutional Neural Networks
Title（参考訳）: 2-stream 3d convolutional neural networkを用いた肺結節悪性度分類
Authors: Xavier Rafael-Palou, Anton Aubanell, Ilaria Bonavita, Mario Ceresa, Gemma Piella, Vicent Ribas, Miguel A. Gonz\'alez Ballester
Abstract要約: 異なるタイミングで採取した同一患者から2つの肺結節体積を共同解析することにより悪性度を予測する2ストリーム3次元畳み込みニューラルネットワークを提案する。ベストな結果は、F1スコアの9%と12%の増分でテスト中のF1スコアの77%を達成している。
参考スコア（独自算出の注目度）: 1.8296223238169225
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nodule malignancy assessment is a complex, time-consuming and error-prone task. Current clinical practice requires measuring changes in size and density of the nodule at different time-points. State of the art solutions rely on 3D convolutional neural networks built on pulmonary nodules obtained from single CT scan per patient. In this work, we propose a two-stream 3D convolutional neural network that predicts malignancy by jointly analyzing two pulmonary nodule volumes from the same patient taken at different time-points. Best results achieve 77% of F1-score in test with an increment of 9% and 12% of F1-score with respect to the same network trained with images from a single time-point.
Abstract（参考訳）: 結節悪性度評価は複雑で時間がかかり、エラーを起こしやすいタスクである。現在の臨床実践では、異なる時点における結節の大きさと密度の変化を測定する必要がある。肺結節に構築した3次元畳み込みニューラルネットワークを患者1人あたり1回のctスキャンで構築した。本研究では,2つの肺結節容積を異なる時間間隔で解析し,悪性度を予測する2流3次元畳み込みニューラルネットワークを提案する。最良の結果は、単一の時点の画像で訓練された同じネットワークに対して、9%と12%のf1-scoreを増分して、テストでf1-scoreの77%を達成する。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Image2Flow: A hybrid image and graph convolutional neural network for rapid patient-specific pulmonary artery segmentation and CFD flow field calculation from 3D cardiac MRI data [0.0]
この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。 Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
論文参考訳（メタデータ） (2024-02-28T11:01:14Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
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)
Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-09-13T07:10:14Z)
Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans [13.882367716329387]
肺結節の管理においてはCTスキャンの直径変化から, 進展を予測することが望ましい。肺結節の成長傾向予測の性能向上のためには, 連続CTで同じ結節の変化を比較することが不可欠である。
論文参考訳（メタデータ） (2022-06-07T06:44:56Z)
Unsupervised Contrastive Learning based Transformer for Lung Nodule Detection [6.693379403133435]
CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。 CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
論文参考訳（メタデータ） (2022-04-30T01:19:00Z)
Effect of Input Size on the Classification of Lung Nodules Using Convolutional Neural Networks [0.12891210250935145]
低用量CTによる肺がん検診は,従来の胸部X線撮影と比較して肺がん死亡率を20%低下させる。コンピュータ支援検出システム(CAD)は,CTスキャンのスライス数を最大600にし,高速かつ高精度なデータ評価に極めて重要である。本研究では, 畳み込みニューラルネットワーク(CNN)を用いてCT肺検診を解析し, 偽陽性を減少させる枠組みを提案する。
論文参考訳（メタデータ） (2021-07-11T16:52:30Z)
3D RegNet: Deep Learning Model for COVID-19 Diagnosis on Chest CT Image [9.407002591446286]
新型コロナウイルス感染症(Covid-19)患者の身体状態を診断するための3D-RegNetベースのニューラルネットワークを提案する。その結果、3Dモデルの試験セット,f1スコア0.8379,AUC値0.8807が達成された。
論文参考訳（メタデータ） (2021-07-08T18:10:07Z)
M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文参考訳（メタデータ） (2020-10-07T06:22:24Z)
M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。