論文の概要: Radiologist-level Performance by Using Deep Learning for Segmentation of Breast Cancers on MRI Scans

• arxiv url: http://arxiv.org/abs/2009.09827v2
• Date: Tue, 12 Apr 2022 16:31:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 04:44:11.713869
• Title: Radiologist-level Performance by Using Deep Learning for Segmentation of Breast Cancers on MRI Scans
• Title（参考訳）: 深達度学習によるMRI画像上乳癌の放射線治療成績
• Authors: Lukas Hirsch, Yu Huang, Shaojun Luo, Carolina Rossi Saccarelli, Roberto Lo Gullo, Isaac Daimiel Naranjo, Almir G.V. Bitencourt, Natsuko Onishi, Eun Sook Ko, Doris Leithner, Daly Avendano, Sarah Eskreis-Winkler, Mary Hughes, Danny F. Martinez, Katja Pinker, Krishna Juluru, Amin E. El-Rowmeim, Pierre Elnajjar, Elizabeth A. Morris, Hernan A. Makse, Lucas C Parra, Elizabeth J. Sutton
• Abstract要約: トレーニングセットにおける最高性能のネットワークは3次元U-Netで,ダイナミックコントラスト強調MRIを入力とし,各試験で強度を正規化した。 ネットワークの性能は放射線学者のパフォーマンスに匹敵するものだった。
• 参考スコア（独自算出の注目度）: 0.7010404660170962
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: To develop a deep network architecture that would achieve fully automated radiologist-level segmentation of cancers at breast MRI. Materials and Methods: In this retrospective study, 38229 examinations (composed of 64063 individual breast scans from 14475 patients) were performed in female patients (age range, 12-94 years; mean age, 52 years +/- 10 [standard deviation]) who presented between 2002 and 2014 at a single clinical site. A total of 2555 breast cancers were selected that had been segmented on two-dimensional (2D) images by radiologists, as well as 60108 benign breasts that served as examples of noncancerous tissue; all these were used for model training. For testing, an additional 250 breast cancers were segmented independently on 2D images by four radiologists. Authors selected among several three-dimensional (3D) deep convolutional neural network architectures, input modalities, and harmonization methods. The outcome measure was the Dice score for 2D segmentation, which was compared between the network and radiologists by using the Wilcoxon signed rank test and the two one-sided test procedure. Results: The highest-performing network on the training set was a 3D U-Net with dynamic contrast-enhanced MRI as input and with intensity normalized for each examination. In the test set, the median Dice score of this network was 0.77 (interquartile range, 0.26). The performance of the network was equivalent to that of the radiologists (two one-sided test procedures with radiologist performance of 0.69-0.84 as equivalence bounds, P <= .001 for both; n = 250). Conclusion: When trained on a sufficiently large dataset, the developed 3D U-Net performed as well as fellowship-trained radiologists in detailed 2D segmentation of breast cancers at routine clinical MRI.
• Abstract（参考訳）: 目的: 乳腺MRIにおいて, 完全自動化された放射線科レベルのがん分離を実現するディープネットワークアーキテクチャを開発すること。 対象と方法:2002年から2014年に1つの臨床施設で紹介された女性患者(年齢12～94歳,平均年齢52年+/10(標準偏差))を対象に,38229回の検診を行った。 放射線科医によって2次元(2次元)画像に区切られた2555個の乳癌と、非がん組織の例となる60108個の良性乳癌が選択され、いずれもモデルトレーニングに使用された。 検査では、4人の放射線技師が2D画像に基づいて、さらに250の乳がんを分離した。 著者は、いくつかの3次元深層畳み込みニューラルネットワークアーキテクチャ、入力モダリティ、調和法の中から選択した。 結果尺度は2次元セグメンテーションのdiceスコアであり,wilcoxonサインドランクテストと片面テスト手順を用いてネットワークと放射線技師の間で比較した。 結果: トレーニングセットにおける最高性能のネットワークは, ダイナミックコントラスト強調MRIを入力とし, 強度を正常化した3次元U-Netであった。 テストセットでは、このネットワークの中央値のダイススコアは 0.77 (interquartile range, 0.26) であった。 ネットワークの性能は放射線科医のそれと同等であった(放射線科医が0.69-0.84を等価境界として、p <= .001、n = 250)。 結語: 十分に大きなデータセットでトレーニングを行うと, 3D U-Netは, 正常な臨床MRIで乳がんの2次元分画を詳細に観察した。

関連論文リスト

• Classification of Prostate Cancer in 3D Magnetic Resonance Imaging Data based on Convolutional Neural Networks [0.0]
  前立腺癌は、世界中の男性の間で一般的に診断されるがん性疾患である。 CNNは、MRIシークエンスに悪性病変が含まれているかどうかを確実に分類する能力に基づいて評価される。 最高の結果はResNet3Dによって達成され、平均精度スコアは0.4583、AUC ROCスコアは0.6214となった。
  論文  参考訳（メタデータ） (2024-04-16T13:18:02Z)
• Multimodal CNN Networks for Brain Tumor Segmentation in MRI: A BraTS 2022 Challenge Solution [0.0]
  この記事では、BraTS 2022の継続的評価課題への私たちの貢献について説明する。 術前MRIにおけるグリオーマ境界の自動検出のための,DeepSeg,nnU-Net,DeepSCANという,複数のディープラーニングフレームワークのアンサンブルを提案する。 Diceスコアが0.9294、0.8788、0.8803、Hausdorf距離が5.23、13.54、12.05のBraTSテストデータセットで、腫瘍全体、腫瘍コア、造影腫瘍をそれぞれ評価した。
  論文  参考訳（メタデータ） (2022-12-19T09:14:23Z)
• Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
  3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。 従来の放射能の特徴のみを含む3つの予後モデルが構築された。 セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
  論文  参考訳（メタデータ） (2022-11-18T10:31:26Z)
• 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)
• Comparison of automatic prostate zones segmentation models in MRI images using U-net-like architectures [0.9786690381850356]
  前立腺がんは世界で6番目に大きな死因である。 現在、腫瘍組織を含む関心領域(ROI)のセグメンテーションを専門医が手動で行う。 いくつかの研究は、磁気共鳴画像からROIの特徴を自動的に区分けし抽出するという課題に取り組んできた。 この研究で、6つのディープラーニングモデルを訓練し、ディジョン中央病院とカタルーニャ大学ポリテシカ校から取得したMRI画像のデータセットを用いて分析した。
  論文  参考訳（メタデータ） (2022-07-19T18:00:41Z)
• 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)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• A neural network model that learns differences in diagnosis strategies among radiologists has an improved area under the curve for aneurysm status classification in magnetic resonance angiography image series [0.0]
  この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。 画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。 構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
  論文  参考訳（メタデータ） (2020-02-03T19:19:57Z)

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。