論文の概要: A Normalized Fully Convolutional Approach to Head and Neck Cancer
Outcome Prediction
- arxiv url: http://arxiv.org/abs/2005.14017v2
- Date: Fri, 29 May 2020 14:31:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:45:51.851928
- Title: A Normalized Fully Convolutional Approach to Head and Neck Cancer
Outcome Prediction
- Title(参考訳): 頭頸部癌予後予測のための正規化完全畳み込み法
- Authors: William Le, Francisco Perdig\'on Romero, Samuel Kadoury
- Abstract要約: 本研究では、FCNプリプロセッササブネットワークを付加したCNN分類ネットワークを、公共TCIAの頭頸部がんデータセットに適用する。
我々は, 集積残差接続を併用したプリプロセッササブネットワークが, CTとPETの両方の入力画像を組み合わせることにより, 最先端の処理結果の改善につながることを示す。
- 参考スコア(独自算出の注目度): 2.5690340428649323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical imaging, radiological scans of different modalities serve to
enhance different sets of features for clinical diagnosis and treatment
planning. This variety enriches the source information that could be used for
outcome prediction. Deep learning methods are particularly well-suited for
feature extraction from high-dimensional inputs such as images. In this work,
we apply a CNN classification network augmented with a FCN preprocessor
sub-network to a public TCIA head and neck cancer dataset. The training goal is
survival prediction of radiotherapy cases based on pre-treatment FDG PET-CT
scans, acquired across 4 different hospitals. We show that the preprocessor
sub-network in conjunction with aggregated residual connection leads to
improvements over state-of-the-art results when combining both CT and PET input
images.
- Abstract(参考訳): 医学画像では、異なる形態の放射線スキャンは、臨床診断と治療計画のための様々な特徴のセットを強化するのに役立つ。
この多様性は、結果予測に使用できる情報源を豊かにする。
深層学習法は画像などの高次元入力から特徴抽出に特に適している。
本研究では、FCNプリプロセッササブネットワークを付加したCNN分類ネットワークを、公共TCIAの頭頸部がんデータセットに適用する。
FDG PET-CTスキャンによる放射線治療症例の生存予測を4つの病院で実施した。
我々は, 集積残差接続を併用したプリプロセッササブネットワークが, CTとPETの両方の入力画像を組み合わせることにより, 最先端の処理結果の改善につながることを示す。
関連論文リスト
- Integrating Preprocessing Methods and Convolutional Neural Networks for
Effective Tumor Detection in Medical Imaging [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)を用いた医用画像における腫瘍検出のための機械学習手法を提案する。
本研究は,腫瘍検出に関連する画像の特徴を高めるための前処理技術に焦点を当て,CNNモデルの開発と訓練を行った。
医用画像中の腫瘍を正確に検出する手法の有効性を実験的に検証した。
論文 参考訳(メタデータ) (2024-02-25T23:49:05Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Graph-based multimodal multi-lesion DLBCL treatment response prediction
from PET images [0.0]
診断後, 標準フロントライン治療における非対応患者数(30~40%)は依然として顕著である。
本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。
複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2023-10-25T08:16:45Z) - Merging-Diverging Hybrid Transformer Networks for Survival Prediction in
Head and Neck Cancer [10.994223928445589]
マルチモーダル画像からの生存予測のための統合分散学習フレームワークを提案する。
このフレームワークは、マルチモーダル情報を融合するマージエンコーダと、領域固有情報を抽出する発散デコーダを備える。
頭頸部癌(H&N)におけるPET-CT画像の生存予測について検討した。
論文 参考訳(メタデータ) (2023-07-07T07:16:03Z) - 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) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - Generative Models Improve Radiomics Performance in Different Tasks and
Different Datasets: An Experimental Study [3.040206021972938]
ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。
生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
論文 参考訳(メタデータ) (2021-09-06T06:01:21Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳(メタデータ) (2020-09-27T12:30:30Z) - Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
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。
論文 参考訳(メタデータ) (2020-03-15T11:46:00Z)
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。