論文の概要: Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D
CNNs
- arxiv url: http://arxiv.org/abs/2010.11682v1
- Date: Mon, 19 Oct 2020 18:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 21:42:44.975253
- Title: Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D
CNNs
- Title(参考訳): バイオマーカー, ボリュームラジオミクス, 3次元CNNを用いた肺結節分類
- Authors: Kushal Mehta, Arshita Jain, Jayalakshmi Mangalagiri, Sumeet Menon,
Phuong Nguyen, David R. Chapman
- Abstract要約: 放射線医のアノテーションとCTスキャンの画像分類を併用して肺悪性度を推定するハイブリッドアルゴリズムを提案する。
提案アルゴリズムは3次元畳み込みニューラルネットワーク(CNN)とランダムフォレストを用いて,CT画像とバイオマーカーのアノテーションと放射能の特徴を組み合わせる。
画像バイオマーカーのみを用いたモデルは,バイオマーカーをボリュームラジオミクス,3D CNN,セミ教師付き学習と組み合わせたモデルよりも精度が高いことを示す。
- 参考スコア(独自算出の注目度): 0.0699049312989311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a hybrid algorithm to estimate lung nodule malignancy that
combines imaging biomarkers from Radiologist's annotation with image
classification of CT scans. Our algorithm employs a 3D Convolutional Neural
Network (CNN) as well as a Random Forest in order to combine CT imagery with
biomarker annotation and volumetric radiomic features. We analyze and compare
the performance of the algorithm using only imagery, only biomarkers, combined
imagery + biomarkers, combined imagery + volumetric radiomic features and
finally the combination of imagery + biomarkers + volumetric features in order
to classify the suspicion level of nodule malignancy. The National Cancer
Institute (NCI) Lung Image Database Consortium (LIDC) IDRI dataset is used to
train and evaluate the classification task. We show that the incorporation of
semi-supervised learning by means of K-Nearest-Neighbors (KNN) can increase the
available training sample size of the LIDC-IDRI thereby further improving the
accuracy of malignancy estimation of most of the models tested although there
is no significant improvement with the use of KNN semi-supervised learning if
image classification with CNNs and volumetric features are combined with
descriptive biomarkers. Unexpectedly, we also show that a model using image
biomarkers alone is more accurate than one that combines biomarkers with
volumetric radiomics, 3D CNNs, and semi-supervised learning. We discuss the
possibility that this result may be influenced by cognitive bias in LIDC-IDRI
because malignancy estimates were recorded by the same radiologist panel as
biomarkers, as well as future work to incorporate pathology information over a
subset of study participants.
- Abstract(参考訳): 放射線科医の注記から画像バイオマーカーとctスキャンの画像分類を組み合わせた肺結節悪性度推定のためのハイブリッドアルゴリズムを提案する。
本アルゴリズムは,3次元畳み込みニューラルネットワーク(cnn)とランダムフォレストを用いて,ct画像とバイオマーカーアノテーションと体積放射能特徴を組み合わせる。
画像のみ,バイオマーカー,合成画像+バイオマーカー,複合画像+容積放射線画像,最後に画像+バイオマーカー+容積特徴の組み合わせを用いて,結節悪性腫瘍の疑い度を分類し,アルゴリズムの性能を解析・比較した。
国立がん研究所(nci)肺画像データベースコンソーシアム(lidc)idriデータセットは、分類タスクのトレーニングと評価に使用される。
K-Nearest-Neighbors (KNN) による半教師付き学習の導入により, LIDC-IDRI のトレーニングサンプルサイズを増大させることで, CNN による画像分類と容積特徴を組み合わせた場合, KNN を用いた半教師付き学習では有意な改善が得られず, 試験対象モデルの悪性度評価の精度が向上することを示した。
また,画像バイオマーカーのみを用いたモデルは,バイオマーカーとボリュームラジオミクス,3D CNN,半教師付き学習を組み合わせたモデルよりも精度が高いことを示す。
この結果はlidc-idriの認知バイアスに影響される可能性について検討する。悪性度推定はバイオマーカーと同じ放射線科医パネルで記録されたためである。
関連論文リスト
- Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳(メタデータ) (2023-08-09T02:04:05Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - Integration of Radiomics and Tumor Biomarkers in Interpretable Machine
Learning Models [0.0]
本稿では,専門家由来の放射能とDNN予測バイオマーカーを解釈可能な分類器に統合することを提案する。
評価と実用化において,ConRadへの入力は分割CTスキャンのみである。
提案したConRadモデルでは,CBM由来のバイオマーカーと放射能の特徴を解釈可能なMLモデルで組み合わせ,肺悪性度分類に優れる。
論文 参考訳(メタデータ) (2023-03-20T15:00:52Z) - Noise-reducing attention cross fusion learning transformer for
histological image classification of osteosarcoma [2.8265965924600276]
本研究の目的は,人工知能を用いて骨肉腫の組織像を分類し,腫瘍の生存と壊死を評価することである。
本稿では,ノイズ低減畳み込みオートエンコーダと特徴融合学習を統合した典型的なトランスフォーマー画像分類フレームワークを提案する。
本手法は, 骨肉腫の診断を支援するため, 各種評価指標における従来型および深層学習法よりも99.17%の精度で優れていた。
論文 参考訳(メタデータ) (2022-04-29T00:57:39Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - IAIA-BL: A Case-based Interpretable Deep Learning Model for
Classification of Mass Lesions in Digital Mammography [20.665935997959025]
機械学習モデルの解釈性は、高リスク決定において重要である。
機械学習に基づくマンモグラフィを解釈可能なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-23T05:00:21Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Robust Pancreatic Ductal Adenocarcinoma Segmentation with
Multi-Institutional Multi-Phase Partially-Annotated CT Scans [25.889684822655255]
膵管腺癌(PDAC)セグメンテーションは最も困難な腫瘍セグメンテーションの1つである。
新たな自己学習フレームワークに基づいて,より多量の患者を用いてPDACセグメンテーションモデルを訓練することを提案する。
実験の結果,提案手法は,注釈付き画像に基づいてトレーニングしたnnUNetの強いベースラインに対して,Diceスコアの6.3%を絶対的に改善することを示した。
論文 参考訳(メタデータ) (2020-08-24T18:50:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z)
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。