論文の概要: Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification
- arxiv url: http://arxiv.org/abs/2005.13705v1
- Date: Wed, 27 May 2020 23:12:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 09:24:56.680597
- Title: Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification
- Title（参考訳）: 3次元オンコロジーイメージングにおける散乱分布・小・臨界重要な物体の検出
- Authors: Zhuotun Zhu, Ke Yan, Dakai Jin, Jinzheng Cai, Tsung-Ying Ho, Adam P
Harrison, Dazhou Guo, Chun-Hung Chao, Xianghua Ye, Jing Xiao, Alan Yuille,
and Le Lu
- Abstract要約: 本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
- 参考スコア（独自算出の注目度）: 23.075722503902714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding and identifying scatteredly-distributed, small, and critically
important objects in 3D oncology images is very challenging. We focus on the
detection and segmentation of oncology-significant (or suspicious cancer
metastasized) lymph nodes (OSLNs), which has not been studied before as a
computational task. Determining and delineating the spread of OSLNs is
essential in defining the corresponding resection/irradiating regions for the
downstream workflows of surgical resection and radiotherapy of various cancers.
For patients who are treated with radiotherapy, this task is performed by
experienced radiation oncologists that involves high-level reasoning on whether
LNs are metastasized, which is subject to high inter-observer variations. In
this work, we propose a divide-and-conquer decision stratification approach
that divides OSLNs into tumor-proximal and tumor-distal categories. This is
motivated by the observation that each category has its own different
underlying distributions in appearance, size and other characteristics. Two
separate detection-by-segmentation networks are trained per category and fused.
To further reduce false positives (FP), we present a novel global-local network
(GLNet) that combines high-level lesion characteristics with features learned
from localized 3D image patches. Our method is evaluated on a dataset of 141
esophageal cancer patients with PET and CT modalities (the largest to-date).
Our results significantly improve the recall from $45\%$ to $67\%$ at $3$ FPs
per patient as compared to previous state-of-the-art methods. The highest
achieved OSLN recall of $0.828$ is clinically relevant and valuable.
- Abstract（参考訳）: 3Dオンコロジー画像に散在する、小さく、重要で重要な物体を発見・特定するのは非常に難しい。
これまでに計算課題として研究されていない腫瘍・癌転移性リンパ節(osln)の検出と分節化に焦点をあてた。
外科的切除および放射線治療の下流ワークフローにおいて,OSLNsの拡散を決定・明らかにすることが,それに対応する領域の定義に不可欠である。
放射線治療を受けた患者に対しては、LNが転移するかどうかの高レベルな推論を含む経験的放射線腫瘍学者が実施する。
そこで本研究では,oslnを腫瘍近位領域と腫瘍異型領域に分けた分割決定階層化手法を提案する。
これは、各カテゴリが、外観、サイズ、その他の特性において、それぞれ異なる基底分布を持つという観察によって動機付けられたものである。
カテゴリーごとに2つの個別検出ネットワークを訓練し、融合する。
偽陽性(FP)をさらに軽減するために,高次病変特性と局所的な3D画像パッチから得られた特徴を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
今回,PETおよびCTによる食道癌141例(過去最大)について検討した。
その結果,従来の最先端の方法と比較して,患者のリコール率は45ドルから67ドルに大幅に改善した。
OSLNの最高額である0.828ドルのリコールは臨床的に関連があり、価値のあるものである。
関連論文リスト
- Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - Multimodal Deep Learning for Personalized Renal Cell Carcinoma
Prognosis: Integrating CT Imaging and Clinical Data [3.790959613880792]
腎細胞癌は生存率の低い重要な世界的な健康上の課題である。
本研究の目的は, 腎細胞癌患者の生存確率を予測できる包括的深層学習モデルを考案することであった。
提案フレームワークは,3次元画像特徴抽出器,臨床変数選択,生存予測の3つのモジュールから構成される。
論文 参考訳（メタデータ） (2023-07-07T13:09:07Z) - Segmentation of Planning Target Volume in CT Series for Total Marrow
Irradiation Using U-Net [0.0]
U-Netアーキテクチャを用いたTMLI処理のためのプランニングターゲットボリューム(PTV)のセグメンテーションのためのディープラーニングに基づく自動コンストラクション手法を提案する。
本研究は放射線腫瘍学者を相当の時間で救うことができるセグメンテーションモデルの開発に向けた予備的だが重要なステップである。
論文 参考訳（メタデータ） (2023-04-05T10:40:37Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Lymph Node Gross Tumor Volume Detection and Segmentation via
Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。
1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。
以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
論文 参考訳（メタデータ） (2020-08-27T00:37:50Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。