論文の概要: Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network

• arxiv url: http://arxiv.org/abs/2008.13013v1
• Date: Sat, 29 Aug 2020 16:59:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 17:20:41.409944
• Title: Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network
• Title（参考訳）: グラフニューラルネットワークを用いた関係学習による腫瘍画像におけるリンパ節グロース腫瘍体積の検出
• Authors: Chun-Hung Chao, Zhuotun Zhu, Dazhou Guo, Ke Yan, Tsung-Ying Ho, Jinzheng Cai, Adam P. Harrison, Xianghua Ye, Jing Xiao, Alan Yuille, Min Sun, Le Lu, Dakai Jin
• Abstract要約: 我々は,真のGTV$_LN$を検出するために,LN外見とLN間関係学習フレームワークを提案する。 提案手法は,最新技術(SOTA)LN分類法をF1スコアで5.5%,13.1%で大幅に改善する。
• 参考スコア（独自算出の注目度）: 37.88742249495087
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Determining the spread of GTV$_{LN}$ is essential in defining the respective resection or irradiating regions for the downstream workflows of surgical resection and radiotherapy for many cancers. Different from the more common enlarged lymph node (LN), GTV$_{LN}$ also includes smaller ones if associated with high positron emission tomography signals and/or any metastasis signs in CT. This is a daunting task. In this work, we propose a unified LN appearance and inter-LN relationship learning framework to detect the true GTV$_{LN}$. This is motivated by the prior clinical knowledge that LNs form a connected lymphatic system, and the spread of cancer cells among LNs often follows certain pathways. Specifically, we first utilize a 3D convolutional neural network with ROI-pooling to extract the GTV$_{LN}$'s instance-wise appearance features. Next, we introduce a graph neural network to further model the inter-LN relationships where the global LN-tumor spatial priors are included in the learning process. This leads to an end-to-end trainable network to detect by classifying GTV$_{LN}$. We operate our model on a set of GTV$_{LN}$ candidates generated by a preliminary 1st-stage method, which has a sensitivity of $>85\%$ at the cost of high false positive (FP) ($>15$ FPs per patient). We validate our approach on a radiotherapy dataset with 142 paired PET/RTCT scans containing the chest and upper abdominal body parts. The proposed method significantly improves over the state-of-the-art (SOTA) LN classification method by $5.5\%$ and $13.1\%$ in F1 score and the averaged sensitivity value at $2, 3, 4, 6$ FPs per patient, respectively.
• Abstract（参考訳）: GTV$_{LN}$の拡散を決定することは、多くのがんに対する外科的切除および放射線治療の下流ワークフローにおける各切除領域または照射領域を定義する上で不可欠である。 より一般的な拡大リンパ節 (LN) と異なり、GTV$_{LN}$は、高ポジトロン放射断層画像信号やCTの転移徴候に関連付けられている場合、より小さなリンパ節も含む。 これは厄介な仕事です。 本稿では,真のGTV$_{LN}$を検出するために,LN外見とLN間関係学習フレームワークを提案する。 これは、LNが結合リンパ系を形成するという以前の臨床知識によって動機付けられ、LN間のがん細胞の拡散は、しばしば特定の経路を辿る。 具体的には、まずROIプーリングを備えた3次元畳み込みニューラルネットワークを用いて、GTV$_{LN}$のインスタンスワイドな外観特徴を抽出する。 次に,グローバルLN-腫瘍空間先行が学習プロセスに含まれるLN間関係をさらにモデル化するグラフニューラルネットワークを提案する。 これにより、GTV$_{LN}$を分類することで、エンドツーエンドのトレーニング可能なネットワークが検出される。 予備的な第1段階法によって生成されるGTV$_{LN}$候補のセットでモデルを動作させ,高偽陽性(FP)(患者1人あたり15ドルFP)のコストで感度が85\%である。 胸部および腹部上部部を含む142対のPET/RTCTスキャンを用いた放射線治療データセットについて検討した。 提案法は, 患者1人当たり平均感度値が2, 3, 4, 6$ FPs, 5.5 %$, 13.1 %$で, 最先端(SOTA) LN 分類法を大幅に改善する。

関連論文リスト

• Integrating features from lymph node stations for metastatic lymph node detection [21.259023907494395]
  近年のディープラーニングの進歩を活用して,転移性LNを自動的に検出することが望まれている。 転移性LN診断の際, 放射線科医に重要なレファレンスであるLN局の情報を活用するために, 追加の枝を導入する。 口腔扁平上皮癌(O SCC)患者114例のCT画像を含むデータセットを用いて本法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-01-09T08:35:58Z)
• A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging [22.57399272278884]
  そこで本研究では,LNの転移状況予測タスクを容易化するために,完全自動LNセグメンテーションと識別ネットワークを提案する。 関連臓器や血管から注意マップを誘導することにより,膵LN位置の解剖学的背景を解明する。 腫瘍領域から抽出したLNの分類・同定と深部画像特徴を併用したLN転移状況予測ネットワークを開発した。
  論文  参考訳（メタデータ） (2023-01-04T05:14:31Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• 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)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Esophageal Tumor Segmentation in CT Images using Dilated Dense Attention Unet (DDAUnet) [3.0929226049096217]
  畳み込みニューラルネットワーク(CNN)を用いた食道癌全自動切除法を提案する。 提案するネットワークはDilated Dense Attention Unet (DDAUnet) と呼ばれ、各密ブロックにおける空間的およびチャネル的注意力を活用して、決定的特徴写像と領域に選択的に集中する。
  論文  参考訳（メタデータ） (2020-12-06T11:42:52Z)
• Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
  本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。 以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
  論文  参考訳（メタデータ） (2020-08-27T00:37:50Z)
• 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)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。