論文の概要: Automatic lesion detection, segmentation and characterization via 3D
multiscale morphological sifting in breast MRI
- arxiv url: http://arxiv.org/abs/2007.03199v1
- Date: Tue, 7 Jul 2020 04:39:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 20:18:21.055399
- Title: Automatic lesion detection, segmentation and characterization via 3D
multiscale morphological sifting in breast MRI
- Title（参考訳）: 乳房MRIにおける3次元マルチスケール形態変化による病変の自動検出・分節・特徴評価
- Authors: Hang Min, Darryl McClymont, Shekhar S. Chandra, Stuart Crozier and
Andrew P. Bradley
- Abstract要約: そこで本研究では, 乳房MRIで4次元マルチモーダル乳房MRIデータを処理し, 病変検出, セグメンテーション, キャラクタリゼーションをユーザの介入なしに統合するシステムを提案する。
提案するCADシステムは,領域候補生成,特徴抽出,領域候補分類の3段階からなる。
同じ乳房MRIデータセットで評価したシステムと比較すると,本システムは乳房病変の検出と評価において良好な性能を発揮する。
- 参考スコア（独自算出の注目度）: 3.4400216692203998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous studies on computer aided detection/diagnosis (CAD) in 4D breast
magnetic resonance imaging (MRI) regard lesion detection, segmentation and
characterization as separate tasks, and typically require users to manually
select 2D MRI slices or regions of interest as the input. In this work, we
present a breast MRI CAD system that can handle 4D multimodal breast MRI data,
and integrate lesion detection, segmentation and characterization with no user
intervention. The proposed CAD system consists of three major stages: region
candidate generation, feature extraction and region candidate classification.
Breast lesions are firstly extracted as region candidates using the novel 3D
multiscale morphological sifting (MMS). The 3D MMS, which uses linear
structuring elements to extract lesion-like patterns, can segment lesions from
breast images accurately and efficiently. Analytical features are then
extracted from all available 4D multimodal breast MRI sequences, including T1-,
T2-weighted and DCE sequences, to represent the signal intensity, texture,
morphological and enhancement kinetic characteristics of the region candidates.
The region candidates are lastly classified as lesion or normal tissue by the
random under-sampling boost (RUSboost), and as malignant or benign lesion by
the random forest. Evaluated on a breast MRI dataset which contains a total of
117 cases with 95 malignant and 46 benign lesions, the proposed system achieves
a true positive rate (TPR) of 0.90 at 3.19 false positives per patient (FPP)
for lesion detection and a TPR of 0.91 at a FPP of 2.95 for identifying
malignant lesions without any user intervention. The average dice similarity
index (DSI) is 0.72 for lesion segmentation. Compared with previously proposed
systems evaluated on the same breast MRI dataset, the proposed CAD system
achieves a favourable performance in breast lesion detection and
characterization.
- Abstract（参考訳）: 4次元乳房MRI(MRI)におけるコンピュータ支援型診断/診断(CAD)に関する研究は、病変の検出、分節化、特徴付けを個別のタスクとして扱い、通常、ユーザーは入力として2次元MRIスライスまたは関心領域を手動で選択する必要がある。
本研究では,4次元マルチモーダル乳房MRIデータを処理し,病変検出,セグメンテーション,キャラクタリゼーションをユーザの介入なしに統合する乳房MRI CADシステムを提案する。
提案するCADシステムは,領域候補生成,特徴抽出,領域候補分類の3段階からなる。
乳腺病変は,新しい3次元マルチスケールモルフォロジー・シフティング(MMS)を用いて,まず領域候補として抽出される。
線状構造要素を用いて病変様パターンを抽出した3dmmsは,乳房画像から病変を高精度かつ効率的に区切ることができる。
その後、T1-、T2-weighted、DCE配列を含む利用可能な4D乳房MRIのすべての配列から解析的特徴を抽出し、領域候補の信号強度、テクスチャ、形態学的および拡張運動特性を表現する。
領域候補はランダムアンダーサンプリングブースト(RUSboost)により病変または正常組織と最終分類され、ランダム森林によって悪性または良性病変として分類される。
悪性腫瘍95例,良性病変46例の計117例を胸部MRIで評価し, 病変検出には1例あたり3.19偽陽性 (FPP) で0.90の正率 (TPR) , ユーザによる介入なしに悪性病変を同定するための2.95のTPR (TPR) が得られた。
平均dice類似度指数 (dsi) は、病変の分画で 0.72 である。
同じ乳房MRIデータセットで評価したシステムと比較して,本システムは乳房病変の検出と評価において良好な性能を発揮する。
関連論文リスト
- Exploring Kinetic Curves Features for the Classification of Benign and Malignant Breast Lesions in DCE-MRI [3.3382992386198675]
胸部良性病変と悪性病変の分類精度を高めるため, 運動曲線および放射線学的特徴の動的特性を活用することを提案する。
提案手法は,200個のDCE-MRIスキャンと298個の乳腺腫瘍を含む社内データセットを用いて評価した。
論文 参考訳（メタデータ） (2024-04-22T07:08:13Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳（メタデータ） (2023-08-06T03:28:08Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - 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) - 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) - Learned super resolution ultrasound for improved breast lesion
characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。
この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。
トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文 参考訳（メタデータ） (2021-07-12T09:04:20Z) - Automatic Breast Lesion Detection in Ultrafast DCE-MRI Using Deep
Learning [0.0]
超高速DCE-MRIにおける乳房病変検出のためのディープラーニングによるコンピュータ支援検出(CADe)手法を提案する。
動的取得の初期段階から得られる3次元空間情報と時間情報の両方を用いる。
論文 参考訳（メタデータ） (2021-02-07T22:03:39Z) - Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D
Detection Network [18.31577982955252]
良性腫瘍145例,悪性腫瘍273例の418例を対象に,本ネットワークの有効性を検証した。
実験により, ネットワークの感度は97.66%, 1.23偽陽性 (FPs) であり, 曲線(AUC) 値0.8720以下の領域を有することがわかった。
論文 参考訳（メタデータ） (2020-07-31T15:25:07Z) - 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)
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。