論文の概要: Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth
- arxiv url: http://arxiv.org/abs/2010.15233v1
- Date: Wed, 28 Oct 2020 21:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:12:31.627750
- Title: Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth
- Title（参考訳）: 非局所マスクR-CNNと病理組織学的根拠を用いたバイパラメトリックMRIの正確な前立腺癌検出と分画
- Authors: Zhenzhen Dai, Ivan Jambor, Pekka Taimen, Milan Pantelic, Mohamed
Elshaikh, Craig Rogers, Otto Ettala, Peter Bostr\"om, Hannu Aronen, Harri
Merisaari and Ning Wen
- Abstract要約: 我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: We aimed to develop deep machine learning (DL) models to improve the
detection and segmentation of intraprostatic lesions (IL) on bp-MRI by using
whole amount prostatectomy specimen-based delineations. We also aimed to
investigate whether transfer learning and self-training would improve results
with small amount labelled data.
Methods: 158 patients had suspicious lesions delineated on MRI based on
bp-MRI, 64 patients had ILs delineated on MRI based on whole mount
prostatectomy specimen sections, 40 patients were unlabelled. A non-local Mask
R-CNN was proposed to improve the segmentation accuracy. Transfer learning was
investigated by fine-tuning a model trained using MRI-based delineations with
prostatectomy-based delineations. Two label selection strategies were
investigated in self-training. The performance of models was evaluated by 3D
detection rate, dice similarity coefficient (DSC), 95 percentile Hausdrauff (95
HD, mm) and true positive ratio (TPR).
Results: With prostatectomy-based delineations, the non-local Mask R-CNN with
fine-tuning and self-training significantly improved all evaluation metrics.
For the model with the highest detection rate and DSC, 80.5% (33/41) of lesions
in all Gleason Grade Groups (GGG) were detected with DSC of 0.548[0.165], 95 HD
of 5.72[3.17] and TPR of 0.613[0.193]. Among them, 94.7% (18/19) of lesions
with GGG > 2 were detected with DSC of 0.604[0.135], 95 HD of 6.26[3.44] and
TPR of 0.580[0.190].
Conclusion: DL models can achieve high prostate cancer detection and
segmentation accuracy on bp-MRI based on annotations from histologic images. To
further improve the performance, more data with annotations of both MRI and
whole amount prostatectomy specimens are required.
- Abstract（参考訳）: 目的:総量 prostatectomy specimen-based delineation を用いて,bp-mri 上の前立腺内病変 (il) の検出と分節化を改善するため,深部機械学習 (dl) モデルの開発を目標とした。
また,移動学習と自己学習が,少量のラベル付きデータで結果を改善するかどうかについても検討した。
方法:bp-MRIをベースとしたMRIで不審な病変が158例,前立腺全摘片によるMRIで非定型化が64例,非定型化が40例であった。
セグメンテーション精度を向上させるために非局所マスクR-CNNを提案した。
mri-based delineationとprostatectomy-based delineationを用いてトレーニングしたモデルを用いてトランスファーラーニングを微調整した。
自己学習では2つのラベル選択戦略が検討された。
モデルの性能は, 3次元検出率, dice類似度係数 (dsc), 95%のhausdrauff (95 hd, mm) およびtrue positive ratio (tpr) を用いて評価した。
結果: prostatectomy-based delineation では,非局所マスクr-cnn の微調整と自己訓練により評価指標が大幅に改善した。
最も検出率が高いモデルでは、Gleason Grade Group(GGG)の80.5%(33/41)が0.548[0.165]、95 HD(5.72[3.17]、TPR(0.613[0.193])で検出された。
そのうち, GGG > 2 病変の94.7% (18/19) が DSC 0.604[0.135], 95 HD 6.26[3.44], TPR 0.580[0.190] で検出された。
結論: DLモデルは, 組織像からのアノテーションに基づいて, bp-MRIの高前立腺癌検出と分画精度を達成できる。
パフォーマンスをさらに向上させるためには、MRIと全量の前立腺摘出標本のアノテーションを含むより多くのデータが必要である。
関連論文リスト
- Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。
深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
論文 参考訳（メタデータ） (2024-10-21T17:41:58Z) - Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳（メタデータ） (2022-10-07T18:46:39Z) - 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) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳（メタデータ） (2021-05-24T12:27:06Z) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳（メタデータ） (2021-03-23T16:08:43Z) - Comparison of Machine Learning Classifiers to Predict Patient Survival
and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。
GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。
xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文 参考訳（メタデータ） (2021-02-10T15:10:37Z) - Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies [11.706960468832301]
全身MR画像から異なる脂肪組織成分の定量化と局在化が,代謝状態の解明に重要である。
本稿では,頑健で客観的なセグメンテーションを実現するために,3次元畳み込みニューラルネットワーク(DCNet)を提案する。
高速(5-7秒)かつ信頼性の高い脂肪組織セグメンテーションを高Dice重なりで得ることができる。
論文 参考訳（メタデータ） (2020-08-05T17:30:14Z) - 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)
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。