論文の概要: Nodule2vec: a 3D Deep Learning System for Pulmonary Nodule Retrieval
Using Semantic Representation
- arxiv url: http://arxiv.org/abs/2007.07081v1
- Date: Sat, 11 Jul 2020 16:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 12:58:51.725893
- Title: Nodule2vec: a 3D Deep Learning System for Pulmonary Nodule Retrieval
Using Semantic Representation
- Title（参考訳）: nodule2vec : 意味表現を用いた肺結節検索のための3次元深層学習システム
- Authors: Ilia Kravets, Tal Heletz, Hayit Greenspan
- Abstract要約: 肺結節の3次元像をCTスキャンから低次元埋め込みベクトルに変換する深層学習システムを提案する。
このようなベクトル表現は、結節に関する意味情報を保存し、コンテンツベース画像検索(CBIR)に実行可能なアプローチを提供することを示す。
医師とアルゴリズムのスコアを比較すると、このシステムが無線技師のエンドユーザに提供する利点は、第2の放射線技師の意見に匹敵するものであることが示唆されている。
- 参考スコア（独自算出の注目度）: 1.7403133838762446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Content-based retrieval supports a radiologist decision making process by
presenting the doctor the most similar cases from the database containing both
historical diagnosis and further disease development history. We present a deep
learning system that transforms a 3D image of a pulmonary nodule from a CT scan
into a low-dimensional embedding vector. We demonstrate that such a vector
representation preserves semantic information about the nodule and offers a
viable approach for content-based image retrieval (CBIR). We discuss the
theoretical limitations of the available datasets and overcome them by applying
transfer learning of the state-of-the-art lung nodule detection model. We
evaluate the system using the LIDC-IDRI dataset of thoracic CT scans. We devise
a similarity score and show that it can be utilized to measure similarity 1)
between annotations of the same nodule by different radiologists and 2) between
the query nodule and the top four CBIR results. A comparison between doctors
and algorithm scores suggests that the benefit provided by the system to the
radiologist end-user is comparable to obtaining a second radiologist's opinion.
- Abstract（参考訳）: コンテンツに基づく検索は、歴史的診断とさらなる疾患発生履歴の両方を含むデータベースから医師に最も類似した事例を提示することにより、放射線科医による意思決定プロセスを支援する。
本稿では,肺結節の3次元画像をctスキャンから低次元埋め込みベクトルに変換する深層学習システムを提案する。
このようなベクトル表現は、結節に関する意味情報を保存し、コンテンツベース画像検索(CBIR)に実行可能なアプローチを提供する。
現状の肺結節検出モデルの伝達学習を適用することで,利用可能なデータセットの理論的限界を議論し,それを克服する。
胸部CTスキャンのLIDC-IDRIデータセットを用いてシステム評価を行った。
類似度スコアを考案し 類似度の測定に活用できることを示します
1) 異なる放射線学者による同一結節の注釈と
2) クエリノードとトップ4のCBIR結果の間。
医師とアルゴリズムのスコアを比較すると、このシステムのエンドユーザに対する利点は、第2の放射線学者の意見に匹敵することを示している。
関連論文リスト
- 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。
パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2024-09-28T12:31:07Z) - Bootstrapping Chest CT Image Understanding by Distilling Knowledge from X-ray Expert Models [17.75505740079875]
胸部CT画像における言語利用の可能性について検討した。
胸部CT画像の理解を胸部関連診断知識を, 広く訓練された2次元X線専門家モデルから抽出し, 胸部CT画像の理解をブートストラップした。
胸部CT画像と放射線検査で12,000対以上の画像でモデルを訓練した。
論文 参考訳（メタデータ） (2024-04-07T12:17:40Z) - UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical
Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。
我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文 参考訳（メタデータ） (2023-11-10T02:47:15Z) - Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction
like Radiologists [39.907916342786564]
肺がんは世界中で主要な死因であり、早期検診は生存率の向上に不可欠である。
臨床的には、結節の文脈構造と放射線医の蓄積した経験は良性結節と悪性結節の同定の正確性に関連する2つの中核要素である。
本稿では,無線研究者の診断過程をシミュレートする手法を提案する。
論文 参考訳（メタデータ） (2023-07-20T12:38:17Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Identification of lung nodules CT scan using YOLOv5 based on convolution
neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。
1段階検出器YOLOv5は280 CT SCANで訓練された。
論文 参考訳（メタデータ） (2022-12-31T17:31:22Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳（メタデータ） (2022-09-28T10:27:10Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳（メタデータ） (2022-06-27T10:31:03Z) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳（メタデータ） (2020-12-04T05:08:53Z)
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。