Fugu-MT 論文翻訳(概要): Interpretative Computer-aided Lung Cancer Diagnosis: from Radiology Analysis to Malignancy Evaluation

論文の概要: Interpretative Computer-aided Lung Cancer Diagnosis: from Radiology Analysis to Malignancy Evaluation

arxiv url: http://arxiv.org/abs/2102.10919v1
Date: Mon, 22 Feb 2021 11:40:43 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 15:21:03.871985
Title: Interpretative Computer-aided Lung Cancer Diagnosis: from Radiology Analysis to Malignancy Evaluation
Title（参考訳）: コンピュータによる肺がん診断 : 放射線分析から悪性度評価まで
Authors: Shaohua Zheng, Zhiqiang Shen, Chenhao Peia, Wangbin Ding, Haojin Lin, Jiepeng Zheng, Lin Pan, Bin Zheng, Liqin Huang
Abstract要約: 肺結節悪性度を評価するために,r2mnet (joint radiology analysis and malignancy evaluation network) を提案する。提案法は, 放射線学解析では96.27%, 結節悪性度評価では97.52%であった。
参考スコア（独自算出の注目度）: 13.62944920454488
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background and Objective:Computer-aided diagnosis (CAD) systems promote diagnosis effectiveness and alleviate pressure of radiologists. A CAD system for lung cancer diagnosis includes nodule candidate detection and nodule malignancy evaluation. Recently, deep learning-based pulmonary nodule detection has reached satisfactory performance ready for clinical application. However, deep learning-based nodule malignancy evaluation depends on heuristic inference from low-dose computed tomography volume to malignant probability, which lacks clinical cognition. Methods:In this paper, we propose a joint radiology analysis and malignancy evaluation network (R2MNet) to evaluate the pulmonary nodule malignancy via radiology characteristics analysis. Radiological features are extracted as channel descriptor to highlight specific regions of the input volume that are critical for nodule malignancy evaluation. In addition, for model explanations, we propose channel-dependent activation mapping to visualize the features and shed light on the decision process of deep neural network. Results:Experimental results on the LIDC-IDRI dataset demonstrate that the proposed method achieved area under curve of 96.27% on nodule radiology analysis and AUC of 97.52% on nodule malignancy evaluation. In addition, explanations of CDAM features proved that the shape and density of nodule regions were two critical factors that influence a nodule to be inferred as malignant, which conforms with the diagnosis cognition of experienced radiologists. Conclusion:Incorporating radiology analysis with nodule malignant evaluation, the network inference process conforms to the diagnostic procedure of radiologists and increases the confidence of evaluation results. Besides, model interpretation with CDAM features shed light on the regions which DNNs focus on when they estimate nodule malignancy probabilities.
Abstract（参考訳）: 背景と目的:cadシステムは診断の有効性を促進し,放射線科医の圧力を軽減する。肺癌診断のためのCADシステムは、結節候補検出および結節悪性度評価を含む。近年,深層学習による肺結節検出は,臨床応用に十分対応している。しかしながら、深層学習に基づく結節悪性度の評価は、低用量ct量から悪性確率までのヒューリスティックな推論に依存する。方法: 本報告では, 肺結節悪性度評価ネットワーク(R2MNet)について, 放射線学的特徴解析を用いて検討する。放射線学的特徴をチャネルディスクリプタとして抽出し、結節悪性度評価に不可欠な入力ボリュームの特定の領域を強調する。さらに,モデル説明のために,特徴を可視化するためにチャネル依存のアクティベーションマッピングを提案し,ディープニューラルネットワークの意思決定プロセスに光を当てる。結果: LIDC-IDRIデータセットによる実験結果から, 本手法は結節放射線学解析では96.27%, 結節悪性度評価では97.52%であった。また,CDAMの特徴を説明したところ,結節領域の形状と密度は悪性と推定される結節に影響を及ぼす2つの重要な因子であることが判明した。結語: 結節悪性評価による放射線学解析を取り入れたネットワーク推論は, 放射線技師の診断に適合し, 評価結果の信頼性を高める。さらに、CDAMを用いたモデル解釈では、DNNが結節性悪性度を推定する領域に光を当てている。

関連論文リスト

Anatomy-Guided Radiology Report Generation with Pathology-Aware Regional Prompts [3.1019279528120363]
生成AIを報告する放射線学は、臨床ワークロードを緩和し、医療を合理化するための大きな可能性を秘めている。既存のシステムは、固定サイズ、パッチレベルの画像特徴、病理情報の組み入れが不十分なため、しばしば不足する。本稿では,病的・病態的情報を多種多様な尺度で明確に統合するために,病理学的に認識された地域的プロンプトを活用する革新的なアプローチを提案する。
論文参考訳（メタデータ） (2024-11-16T12:36:20Z)
ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文参考訳（メタデータ） (2023-10-08T17:23:17Z)
Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-08-29T17:44:28Z)
PHE-SICH-CT-IDS: A Benchmark CT Image Dataset for Evaluation Semantic Segmentation, Object Detection and Radiomic Feature Extraction of Perihematomal Edema in Spontaneous Intracerebral Hemorrhage [2.602118060856794]
脳内出血は、世界で最も死亡率が高く、予後不良な疾患の1つである。 PHE-SICH-CT-IDSと命名したCTデータセットを,脳内自然出血に用いた。
論文参考訳（メタデータ） (2023-08-21T07:18:51Z)
Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文参考訳（メタデータ） (2022-07-20T06:49:02Z)
Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule Diagnosis [20.510918720980467]
肺がんは世界で最も死亡率が高い。結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
論文参考訳（メタデータ） (2022-04-08T08:21:00Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Hierarchical Classification of Pulmonary Lesions: A Large-Scale Radio-Pathomics Study [38.78350161086617]
CTによる肺病変の診断は重要であるが,肺癌関連疾患の臨床的判断には困難である。深層学習は肺がんに対するコンピュータ支援診断 (CADx) 領域において大きな成功を収めているが, 放射線診断の困難さからラベルの曖昧さに悩まされている。本研究は, 侵襲的病理解析が肺がん診断の黄金基準となっていることを考慮し, 大規模放射線病的データセットを用いてラベルあいまいさを解消する。この振り返りデータセットはPentral-RadPathと呼ばれ、高精度なディープラーニングシステムの開発と検証により、非侵襲的な病理組織ラベルを予測できる。
論文参考訳（メタデータ） (2020-10-08T15:14:34Z)
COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文参考訳（メタデータ） (2020-05-26T16:33:52Z)

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。