論文の概要: A new semi-supervised self-training method for lung cancer prediction
- arxiv url: http://arxiv.org/abs/2012.09472v1
- Date: Thu, 17 Dec 2020 09:53:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 18:47:30.827535
- Title: A new semi-supervised self-training method for lung cancer prediction
- Title（参考訳）: 肺がん予測のための半教師付き自己訓練法
- Authors: Kelvin Shak, Mundher Al-Shabi, Andrea Liew, Boon Leong Lan, Wai Yee
Chan, Kwan Hoong Ng, Maxine Tan
- Abstract要約: CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。
本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
- 参考スコア（独自算出の注目度）: 0.28734453162509355
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Background and Objective: Early detection of lung cancer is crucial as it has
high mortality rate with patients commonly present with the disease at stage 3
and above. There are only relatively few methods that simultaneously detect and
classify nodules from computed tomography (CT) scans. Furthermore, very few
studies have used semi-supervised learning for lung cancer prediction. This
study presents a complete end-to-end scheme to detect and classify lung nodules
using the state-of-the-art Self-training with Noisy Student method on a
comprehensive CT lung screening dataset of around 4,000 CT scans.
Methods: We used three datasets, namely LUNA16, LIDC and NLST, for this
study. We first utilise a three-dimensional deep convolutional neural network
model to detect lung nodules in the detection stage. The classification model
known as Maxout Local-Global Network uses non-local networks to detect global
features including shape features, residual blocks to detect local features
including nodule texture, and a Maxout layer to detect nodule variations. We
trained the first Self-training with Noisy Student model to predict lung cancer
on the unlabelled NLST datasets. Then, we performed Mixup regularization to
enhance our scheme and provide robustness to erroneous labels.
Results and Conclusions: Our new Mixup Maxout Local-Global network achieves
an AUC of 0.87 on 2,005 completely independent testing scans from the NLST
dataset. Our new scheme significantly outperformed the next highest performing
method at the 5% significance level using DeLong's test (p = 0.0001). This
study presents a new complete end-to-end scheme to predict lung cancer using
Self-training with Noisy Student combined with Mixup regularization. On a
completely independent dataset of 2,005 scans, we achieved state-of-the-art
performance even with more images as compared to other methods.
- Abstract（参考訳）: 背景と目的:早期肺がんの発見は,ステージ3以上の患者に対して高い死亡率を示すため重要である。
ct(ct)スキャンから同時に結節を検出し分類する手法は比較的少ない。
さらに、肺がん予測に半教師付き学習を用いた研究はほとんどない。
本研究では,約4,000個のCTスキャンの総合的CT肺検診データセットを用いて,Nuisy Students法を用いて肺結節の検出と分類を行う。
方法:本研究では,LUNA16,LIDC,NLSTの3つのデータセットを用いた。
まず,3次元深層畳み込みニューラルネットワークモデルを用いて肺結節の検出を行った。
Maxout Local-Global Networkとして知られる分類モデルは、非ローカルネットワークを使用して、形状特徴、残留ブロック、結節テクスチャを含む局所的特徴の検出、結節変動を検出するMaxoutレイヤを含むグローバルな特徴を検出する。
我々は,NLSTデータセットを用いた肺がん予測のために,Noisy Studentsモデルを用いた最初のセルフトレーニングを訓練した。
次に,Mixup正則化を行い,提案手法を強化し,誤ラベルに対する堅牢性を実現した。
結果と結論: 我々の新しいMixup Maxout Local-Globalネットワークは、NLSTデータセットから2,005個の完全に独立したテストスキャンに対して0.87のAUCを達成する。
提案手法はデロング試験 (p = 0.0001) を用いて5%の重要度レベルにおいて, 次の最高性能法を有意に上回った。
本研究では,Nuisy StudentsとMixup正則化を組み合わせた自己学習による肺がん予測手法を提案する。
2,005個のスキャンの完全な独立データセット上で,他の手法に比べて画像数が多くても最先端の性能を達成できた。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Self-Supervised Pretraining Improves Performance and Inference
Efficiency in Multiple Lung Ultrasound Interpretation Tasks [65.23740556896654]
肺超音波検査における複数分類課題に適用可能なニューラルネットワーク特徴抽出器を,自己指導型プレトレーニングで作成できるかどうかを検討した。
3つの肺超音波のタスクを微調整すると、事前訓練されたモデルにより、各テストセットの受信操作曲線(AUC)における平均クロスタスク面積は、それぞれ0.032と0.061に改善された。
論文 参考訳（メタデータ） (2023-09-05T21:36:42Z) - SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped
Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。
現在の肺結節検出法は通常ドメイン固有である。
肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-03-07T03:17:49Z) - Identification of lung nodules CT scan using YOLOv5 based on convolution
neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。
1段階検出器YOLOv5は280 CT SCANで訓練された。
論文 参考訳（メタデータ） (2022-12-31T17:31:22Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Debiasing pipeline improves deep learning model generalization for X-ray
based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。
胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。
進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文 参考訳（メタデータ） (2022-01-24T10:08:07Z) - SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere
Representation and Center Points Matching [47.79483848496141]
3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。
アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。
提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-04-12T05:51:29Z) - Deep Expectation-Maximization for Semi-Supervised Lung Cancer Screening [1.5379084885764847]
肺がん検診のための半教師付きアルゴリズムを提案する。
予測最大化(EM)メタアルゴリズムを用いて3次元畳み込みニューラルネットワーク(CNN)を訓練する。
その結果,Semi-Supervised EMアルゴリズムはクロスドメイン肺癌検診の分類精度を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2020-10-02T19:17:07Z) - Primary Tumor Origin Classification of Lung Nodules in Spectral CT using
Transfer Learning [4.0657540412774935]
肺癌の早期発見は死亡率を著しく低下させることが証明されている。
近年,CT (Computerd tomography) やスペクトルCT (Spectral CT) の進歩により診断精度が向上する可能性がある。
我々はCT画像における肺結節の検出と分類システムを提案する。
論文 参考訳（メタデータ） (2020-06-30T09:56:18Z) - Lung Segmentation and Nodule Detection in Computed Tomography Scan using
a Convolutional Neural Network Trained Adversarially using Turing Test Loss [6.375447757249894]
肺がんは世界中で最も多く見られるがんであり、死亡率が高い。
悪性腫瘍の症状である結節は、患者のCTスキャンで約0.0125～0.025%の体積を占める。
この問題に対処するために,計算効率の良い2段階フレームワークを提案する。
第1段階では、肺領域のチューリング試験損失セグメントを用いて、畳み込みニューラルネットワーク(CNN)が逆行訓練を行った。
第2段階では、区分けされた領域から採取されたパッチは、結節の存在を検出するために分類される。
論文 参考訳（メタデータ） (2020-06-16T16:51:53Z)
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。