論文の概要: Deep Multi-path Network Integrating Incomplete Biomarker and Chest CT
Data for Evaluating Lung Cancer Risk
- arxiv url: http://arxiv.org/abs/2010.09524v2
- Date: Wed, 10 Feb 2021 03:17:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:02:04.642178
- Title: Deep Multi-path Network Integrating Incomplete Biomarker and Chest CT
Data for Evaluating Lung Cancer Risk
- Title（参考訳）: 不完全バイオマーカーと胸部CTデータを統合した肺がんリスク評価のための深部マルチパスネットワーク
- Authors: Riqiang Gao, Yucheng Tang, Kaiwen Xu, Michael N. Kammer, Sanja L.
Antic, Steve Deppen, Kim L. Sandler, Pierre P. Massion, Yuankai Huo, Bennett
A. Landman
- Abstract要約: マルチパスマルチモーダル欠落ネットワーク(M3Net)と呼ばれる新しいネットワーク設計を提案する。
マルチモーダルデータ(CDE、バイオマーカー、CT画像など)を統合することで、マルチパスニューラルネットワークによるモダリティの欠如を考慮できる。
ネットワークは、医療画像の特徴とCDE/バイオマーカーの両方でエンドツーエンドにトレーニングしたり、単一のモダリティで予測することができる。
- 参考スコア（独自算出の注目度）: 4.822738153096615
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical data elements (CDEs) (e.g., age, smoking history), blood markers and
chest computed tomography (CT) structural features have been regarded as
effective means for assessing lung cancer risk. These independent variables can
provide complementary information and we hypothesize that combining them will
improve the prediction accuracy. In practice, not all patients have all these
variables available. In this paper, we propose a new network design, termed as
multi-path multi-modal missing network (M3Net), to integrate the multi-modal
data (i.e., CDEs, biomarker and CT image) considering missing modality with
multiple paths neural network. Each path learns discriminative features of one
modality, and different modalities are fused in a second stage for an
integrated prediction. The network can be trained end-to-end with both medical
image features and CDEs/biomarkers, or make a prediction with single modality.
We evaluate M3Net with datasets including three sites from the Consortium for
Molecular and Cellular Characterization of Screen-Detected Lesions (MCL)
project. Our method is cross validated within a cohort of 1291 subjects (383
subjects with complete CDEs/biomarkers and CT images), and externally validated
with a cohort of 99 subjects (99 with complete CDEs/biomarkers and CT images).
Both cross-validation and external-validation results show that combining
multiple modality significantly improves the predicting performance of single
modality. The results suggest that integrating subjects with missing either
CDEs/biomarker or CT imaging features can contribute to the discriminatory
power of our model (p < 0.05, bootstrap two-tailed test). In summary, the
proposed M3Net framework provides an effective way to integrate image and
non-image data in the context of missing information.
- Abstract（参考訳）: 臨床データ要素(cdes)(年齢、喫煙歴)、血液マーカー、胸部ct(ct)の構造的特徴は、肺癌のリスクを評価する有効な手段とみなされている。
これらの独立変数は相補的な情報を提供することができ、それらの組み合わせが予測精度を向上させると仮定する。
実際には、すべての患者がこれらの変数を利用できるわけではない。
本稿では,マルチパス・マルチモーダル欠落ネットワーク(m3net)と呼ばれる新しいネットワーク設計を提案し,マルチモーダルデータ(cdes,バイオマーカー,ct画像など)を,複数のパス・ニューラル・ネットワークとのモダリティの欠如を考慮した統合を行う。
各経路は1つのモードの識別的特徴を学習し、異なるモードが統合予測のための第2段階で融合される。
ネットワークは、医療画像特徴とcdes/バイオマーカーの両方でエンドツーエンドでトレーニングしたり、単一のモダリティで予測することができる。
我々は,M3Netを,MCL(Screen-Detected Lesions)プロジェクトのためのコンソーシアムの3つのサイトを含むデータセットで評価した。
本手法は1291名の被験者(383名,完全cdes/バイオマーカーとct画像)のコホート内でクロス検証し,99名の被験者(99名,完全cdes/バイオマーカーとct画像)で外部検証を行う。
複数のモダリティを組み合わせることで、単一モダリティの予測性能が大幅に向上することが示された。
以上の結果から,CDE/バイオマーカー,CT画像の欠如が本モデルの識別力に寄与することが示唆された(p<0.05,ブートストラップ2尾試験)。
要約すると、提案するM3Netフレームワークは、欠落した情報のコンテキストにおいて、画像と非画像データを効果的に統合する方法を提供する。
関連論文リスト
- PE-MVCNet: Multi-view and Cross-modal Fusion Network for Pulmonary Embolism Prediction [4.659998272408215]
肺塞栓症(PE)の早期発見は、患者の生存率を高めるために重要である。
PE-MVCNetとよばれる多モード核融合法を提案する。
提案モデルは既存の手法より優れており, 単一のデータモダリティを用いたモデルと比較して, マルチモーダル融合モデルの方が優れていることを裏付けるものである。
論文 参考訳（メタデータ） (2024-02-27T03:53:27Z) - A Unified Multi-Phase CT Synthesis and Classification Framework for
Kidney Cancer Diagnosis with Incomplete Data [18.15801599933636]
非完全多相CTを用いた腎癌診断のための統合的枠組みを提案する。
同時に、欠落したCT画像を復元し、完了した画像セットを使用して癌サブタイプを分類する。
提案するフレームワークは,完全な3次元畳み込みニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2023-12-09T11:34:14Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Self-supervised 3D anatomy segmentation using self-distilled masked
image transformer (SMIT) [2.7298989068857487]
自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。
我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
論文 参考訳（メタデータ） (2022-05-20T17:55:14Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Feature-enhanced Adversarial Semi-supervised Semantic Segmentation
Network for Pulmonary Embolism Annotation [6.142272540492936]
本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。
近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。
本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-08T04:21:02Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass
Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。
患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
論文 参考訳（メタデータ） (2020-12-08T19:38:01Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。