Fugu-MT 論文翻訳(概要): Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules

論文の概要: Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules

arxiv url: http://arxiv.org/abs/2006.13890v2
Date: Fri, 9 Oct 2020 04:27:42 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 12:43:33.895417
Title: Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules
Title（参考訳）: 肺結節のフォローアップ容積予測による腫瘍増殖の学習
Authors: Yamin Li, Jiancheng Yang, Yi Xu, Jingwei Xu, Xiaodan Ye, Guangyu Tao, Xueqian Xie, Guixue Liu
Abstract要約: フォローアップは肺癌の肺結節管理において重要な役割を担っている。結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
参考スコア（独自算出の注目度）: 15.069141581681016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Follow-up serves an important role in the management of pulmonary nodules for lung cancer. Imaging diagnostic guidelines with expert consensus have been made to help radiologists make clinical decision for each patient. However, tumor growth is such a complicated process that it is difficult to stratify high-risk nodules from low-risk ones based on morphologic characteristics. On the other hand, recent deep learning studies using convolutional neural networks (CNNs) to predict the malignancy score of nodules, only provides clinicians with black-box predictions. To this end, we propose a unified framework, named Nodule Follow-Up Prediction Network (NoFoNet), which predicts the growth of pulmonary nodules with high-quality visual appearances and accurate quantitative results, given any time interval from baseline observations. It is achieved by predicting future displacement field of each voxel with a WarpNet. A TextureNet is further developed to refine textural details of WarpNet outputs. We also introduce techniques including Temporal Encoding Module and Warp Segmentation Loss to encourage time-aware and shape-aware representation learning. We build an in-house follow-up dataset from two medical centers to validate the effectiveness of the proposed method. NoFoNet significantly outperforms direct prediction by a U-Net in terms of visual quality; more importantly, it demonstrates accurate differentiating performance between high- and low-risk nodules. Our promising results suggest the potentials in computer aided intervention for lung nodule management.
Abstract（参考訳）: フォローアップは肺癌の肺結節管理において重要な役割を担っている。専門的コンセンサスによる画像診断ガイドラインは,放射線科医が各患者に対して臨床判断を行うのに役立つ。しかし,腫瘍増殖は複雑であり,形態学的特徴から低リスクの腫瘍から高リスク結節を成層することは困難である。一方,畳み込みニューラルネットワーク(cnns)を用いた最近の深層学習は結節の悪性度スコアを予測し,臨床医にブラックボックス予測のみを提供する。そこで我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,基準線観測から任意の時間間隔で正確な定量的結果を得る,Nodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。 WarpNetで各ボクセルの将来の変位場を予測することで実現した。 TextureNetはさらにWarpNet出力のテクスチャ詳細を洗練するために開発されている。また、時間認識と形状認識の表現学習を促進するために、テンポラルエンコーディングモジュールやワープセグメンテーションロスなどの手法も導入する。提案手法の有効性を検証するため,2つの医療センターから社内追跡データセットを構築した。 NoFoNetは、視覚的品質の観点から、U-Netによる直接予測を著しく上回る。有望な結果から,肺結節管理へのコンピュータ介入の可能性が示唆された。

関連論文リスト

Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。モデルの解釈可能性を維持しながら予測力を向上すること。
論文参考訳（メタデータ） (2023-01-26T14:54:17Z)
Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文参考訳（メタデータ） (2022-11-18T03:26:31Z)
Automated Segmentation and Recurrence Risk Prediction of Surgically Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文参考訳（メタデータ） (2022-09-17T23:06:22Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
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)
Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文参考訳（メタデータ） (2022-03-30T18:40:36Z)
Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文参考訳（メタデータ） (2021-03-06T02:16:41Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
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。

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。