論文の概要: Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning
- arxiv url: http://arxiv.org/abs/2006.15691v2
- Date: Sun, 30 Aug 2020 16:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 02:50:36.365686
- Title: Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning
- Title(参考訳): 深部動的テクスチャ学習による大規模多相ctデータからの肝病変の抽出・検出・特徴付け
- Authors: Yuankai Huo, Jinzheng Cai, Chi-Tung Cheng, Ashwin Raju, Ke Yan,
Bennett A. Landman, Jing Xiao, Le Lu, Chien-Hung Liao, Adam P. Harrison
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 24.633802585888812
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Non-invasive radiological-based lesion characterization and identification,
e.g., to differentiate cancer subtypes, has long been a major aim to enhance
oncological diagnosis and treatment procedures. Here we study a specific
population of human subjects, with the hope of reducing the need for invasive
surgical biopsies of liver cancer patients, which can cause many harmful
side-effects. To this end, we propose a fully-automated and multi-stage liver
tumor characterization framework designed for dynamic contrast computed
tomography (CT). Our system comprises four sequential processes of tumor
proposal detection, tumor harvesting, primary tumor site selection, and deep
texture-based tumor characterization. Our main contributions are that, (1) we
propose a 3D non-isotropic anchor-free detection method for liver lesions; (2)
we present and validate spatially adaptivedeep texture (SaDT) learning, which
allows for more precise characterization of liver lesions; (3) using a
semi-automatic process, we bootstrap off of 200 gold standard annotations to
curate another 1001 patients. Experimental evaluations demonstrate that our new
data curation strategy, combined with the SaDT deep dynamic texture analysis,
can effectively improve the mean F1 scores by >8.6% compared with baselines, in
differentiating four major liver lesion types. Our F1 score of (hepatocellular
carcinoma versus remaining subclasses) is 0.763, which is higher than reported
human observer performance using dynamic CT and comparable to an advanced
magnetic resonance imagery protocol. Apart from demonstrating the benefits of
our data curation approach and physician-inspired workflow, these results also
indicate that analyzing texture features, instead of standard object-based
analysis, is a promising strategy for lesion differentiation.
- Abstract(参考訳): 非侵襲的な放射線学的病変の特徴と同定、例えば癌サブタイプを識別することは、長い間、腫瘍診断と治療の手順を強化する主要な目的であった。
本研究は, 肝癌患者に対する外科的生検の必要性を軽減し, 有害な副作用を多く生ずることを期待して, 特定の個体群について検討する。
そこで本稿では,ダイナミックコントラストct(dynamic contrast ct)のための完全自動多段階肝腫瘍キャラクタリゼーションフレームワークを提案する。
本システムは, 腫瘍プロジェクション検出, 腫瘍採取, 一次腫瘍部位選択, 深部テクスチャに基づく腫瘍キャラクタリゼーションの4段階からなる。
我々は,(1)肝病変の3次元非等方性アンカー無検出法,(2)肝病変のより正確な特徴付けを可能にする空間適応深部テクスチャ(sadt)学習,(3)半自動的プロセスを用いて,200種類の金標準アノテーションをブートストラップして,他の1001例を治療する。
実験により,本手法とSaDT深部動的テクスチャ解析の併用により,4種類の肝病変の鑑別において,ベースラインと比較してF1スコアが8.6%向上することが確認された。
我々のF1スコア(肝細胞癌と残存サブクラス)は0.763であり、ダイナミックCTを用いて報告されたヒトの観察成績よりも高く、高度な磁気共鳴画像プロトコルに匹敵する。
データキュレーションアプローチと医師にインスパイアされたワークフローの利点を示すだけでなく、これらの結果は、標準的なオブジェクトベースの分析ではなく、テクスチャの特徴を分析することが、病変の分化にとって有望な戦略であることを示している。
関連論文リスト
- Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation
classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。
本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文 参考訳(メタデータ) (2024-01-25T14:40:58Z) - Semi-supervised ViT knowledge distillation network with style transfer
normalization for colorectal liver metastases survival prediction [1.283897253352624]
本稿では,H&EおよびHPSで染色した組織学的スライドを用いて,自動予後予測のためのエンドツーエンドアプローチを提案する。
まずGAN(Generative Adversarial Network)を用いてスライス正規化を行い、染色のばらつきを低減し、予測パイプラインへの入力として使用される画像の全体的な品質を向上させる。
転移性結節および周囲組織から抽出した特徴を利用して予後モデルを訓練し,同時に知識蒸留フレームワークで視覚変換器(ViT)を訓練し,予後予測の性能を再現し,向上させる。
論文 参考訳(メタデータ) (2023-11-17T03:32:11Z) - Penalized Deep Partially Linear Cox Models with Application to CT Scans
of Lung Cancer Patients [42.09584755334577]
肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。
NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。
本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
論文 参考訳(メタデータ) (2023-03-09T15:38:16Z) - A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor
Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案
第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。
第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文 参考訳(メタデータ) (2022-01-14T10:24:47Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳(メタデータ) (2021-12-18T17:05:53Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
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。
論文 参考訳(メタデータ) (2020-05-27T23:12:11Z) - 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。