論文の概要: End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of
Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction
- arxiv url: http://arxiv.org/abs/2101.03244v7
- Date: Tue, 6 Apr 2021 22:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 05:02:52.175131
- Title: End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of
Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction
- Title（参考訳）: 3次元CNNによるbpMRIの終末前立腺癌検出 : 注意機構,臨床優先,非結合性偽陽性抑制の効果
- Authors: Anindo Saha, Matin Hosseinzadeh, Henkjan Huisman
- Abstract要約: 本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。
ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。
CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a novel multi-stage 3D computer-aided detection and diagnosis
(CAD) model for automated localization of clinically significant prostate
cancer (csPCa) in bi-parametric MR imaging (bpMRI). Deep attention mechanisms
drive its detection network, targeting multi-resolution, salient structures and
highly discriminative feature dimensions, in order to accurately identify csPCa
lesions from indolent cancer and the wide range of benign pathology that can
afflict the prostate gland. In parallel, a decoupled residual classifier is
used to achieve consistent false positive reduction, without sacrificing high
sensitivity or computational efficiency. In addition, a probabilistic
anatomical prior, which captures the spatial prevalence and zonal distinction
of csPCa, is computed and encoded into the CNN architecture to guide model
generalization with domain-specific clinical knowledge. We hypothesize that
such CNN-based models can be trained to detect biopsy-confirmed malignancies in
an independent cohort, using a large dataset of 1950 prostate bpMRI paired with
radiologically-estimated annotations.
For 486 institutional testing scans, the 3D CAD system achieves
$83.69\pm5.22\%$ and $93.19\pm2.96\%$ detection sensitivity at $0.50$ and
$1.46$ false positive(s) per patient, respectively, and $0.882$ AUROC in
patient-based diagnosis $-$significantly outperforming four state-of-the-art
baseline architectures (U-SEResNet, UNet++, nnU-Net, Attention U-Net) from
recent literature. For 296 external testing scans, the ensembled CAD system
shares moderate agreement with a consensus of expert radiologists ($76.69\%$;
$kappa=0.51\pm0.04$) and independent pathologists ($81.08\%$;
$kappa=0.56\pm0.06$); demonstrating strong generalization to
histologically-confirmed csPCa diagnosis.
- Abstract（参考訳）: 臨床上有意な前立腺癌 (csPCa) のbpMRI(bi-parametric MR imaging) における自動局在化のための多段階コンピュータ支援診断(CAD)モデルを提案する。
深層注意機構はその検出ネットワークを駆動し、多分解能、塩分構造、高度に識別可能な特徴次元を標的とし、未熟な癌や前立腺を苦しめる幅広い良性病理からcspca病変を正確に同定する。
並行して、疎結合残差分類器は、高い感度や計算効率を犠牲にすることなく、一貫した偽陽性化を実現するために用いられる。
さらに、csPCaの空間的有病率と地域的区別を捉える確率論的解剖前駆体をCNNアーキテクチャに符号化し、モデル一般化をドメイン固有の臨床知識で導く。
このようなCNNベースのモデルは、1950年の前立腺bpMRIと放射線学的に推定されたアノテーションを組み合わせた大規模なデータセットを用いて、独立コホートにおける生検確認悪性腫瘍を検出するために訓練できると仮定する。
486の検査で、3dcadシステムは、患者1人当たり0.50$と1.46$false positive(s)で検出感度を8.69\pm5.22\%$と9.19\pm2.96\%$で達成し、患者ベースの診断では0.882$ aurocが最新の文献から4つの最先端ベースラインアーキテクチャ(u-seresnet, unet++, nnu-net, attention u-net)よりも優れている。
296の外部試験スキャンでは、アンサンブルCADシステムは、専門家の放射線学者(76.69 %$; $kappa=0.51 pm0.04$; $kappa=0.56 pm0.06$)と独立した病理学者(81.08 %$; $kappa=0.56
関連論文リスト
- Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳（メタデータ） (2023-10-09T03:00:15Z) - Reconsidering evaluation practices in modular systems: On the
propagation of errors in MRI prostate cancer detection [0.0]
人工知能(AI)システムは、臨床的に重要な(csPCa)および非臨床的に重要な(ncsPCa)病変の分類と分類によって放射線学的評価を支援することができる
本結果は,システムに関わるすべてのサブモジュールを考慮し,全体的評価の妥当性を示すものである。
論文 参考訳（メタデータ） (2023-09-15T13:15:09Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - 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) - Fully Automatic Deep Learning Framework for Pancreatic Ductal
Adenocarcinoma Detection on Computed Tomography [0.0]
早期発見は膵管腺癌(PDAC)の予後を改善する
現在のモデルでは、小さな(2cm)病変の特定に失敗している。
深層学習モデルを用いてPDAC検出のための自動フレームワークを開発した。
論文 参考訳（メタデータ） (2021-11-30T13:59:46Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI [15.078841623264543]
肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
論文 参考訳（メタデータ） (2021-10-17T13:19:00Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Encoding Clinical Priori in 3D Convolutional Neural Networks for
Prostate Cancer Detection in bpMRI [1.0312968200748118]
臨床的に有意な前立腺癌(csPCa)の空間的有病率と部位的鑑別を捉える確率的集団を導入した。
U-Net, U-SEResNet, UNet++, Attention U-Netの3次元適応を800の機関的トレーニングバリデーションスキャンを用いて訓練し, 放射線学的に推定されたアノテーションと組み合わせて計算を行った。
病理組織学的に確認されたcsPCaによる200個のbpMRI検査において,臨床先行診断を符号化する方法は,患者による診断を改善する強力な能力を示す。
論文 参考訳（メタデータ） (2020-10-31T13:10:58Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z)
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。