Fugu-MT 論文翻訳(概要): Liver Fibrosis and NAS scoring from CT images using self-supervised learning and texture encoding

論文の概要: Liver Fibrosis and NAS scoring from CT images using self-supervised learning and texture encoding

arxiv url: http://arxiv.org/abs/2103.03761v1
Date: Fri, 5 Mar 2021 15:40:55 GMT
ステータス: 処理完了
システム内更新日: 2021-03-08 16:00:13.259601
Title: Liver Fibrosis and NAS scoring from CT images using self-supervised learning and texture encoding
Title（参考訳）: 自己監督学習とテクスチャエンコーディングを用いたCT画像からの肝線維化とNASスコアリング
Authors: Ananya Jana, Hui Qu, Carlos D. Minacapelli, Carolyn Catalano, Vinod Rustgi, Dimitris Metaxas
Abstract要約: 非アルコール性脂肪肝疾患(NAFLD)は、肝臓癌に進行できる慢性肝疾患(CLD)の最も一般的な原因の1つです。非侵襲CT画像から線維化とNASスコアを予測する現在の方法は、大きな注釈付きデータセットまたは転送学習に大きく依存します。本研究では,両問題に対する自己監督型学習手法を提案する。
参考スコア（独自算出の注目度）: 5.239374600854888
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-alcoholic fatty liver disease (NAFLD) is one of the most common causes of chronic liver diseases (CLD) which can progress to liver cancer. The severity and treatment of NAFLD is determined by NAFLD Activity Scores (NAS)and liver fibrosis stage, which are usually obtained from liver biopsy. However, biopsy is invasive in nature and involves risk of procedural complications. Current methods to predict the fibrosis and NAS scores from noninvasive CT images rely heavily on either a large annotated dataset or transfer learning using pretrained networks. However, the availability of a large annotated dataset cannot be always ensured andthere can be domain shifts when using transfer learning. In this work, we propose a self-supervised learning method to address both problems. As the NAFLD causes changes in the liver texture, we also propose to use texture encoded inputs to improve the performance of the model. Given a relatively small dataset with 30 patients, we employ a self-supervised network which achieves better performance than a network trained via transfer learning. The code is publicly available at https://github.com/ananyajana/fibrosis_code.
Abstract（参考訳）: 非アルコール性脂肪肝疾患(NAFLD)は、肝臓癌に進行できる慢性肝疾患(CLD)の最も一般的な原因の1つです。 NAFLDの重症度と治療は、通常肝臓生検から得られるNAFLD活動スコア(NAS)および肝線維化段階によって決定される。しかし、生検は自然界に侵入し、手続き的な合併症のリスクを負う。非侵襲的ct画像から線維化とnasスコアを予測する現在の方法は、事前訓練されたネットワークを用いた大規模な注釈付きデータセットまたは転送学習に依存している。しかし、大きなアノテートされたデータセットの可用性を常に保証することはできず、転送学習を使用する場合のドメインシフトも可能となる。本研究では,両問題に対する自己監督型学習手法を提案する。また,nafldが肝組織質の変化を引き起こすため,モデルの性能を向上させるためにテクスチャエンコード入力を用いることも提案する。 30人の患者からなる比較的小さなデータセットを考えると、転送学習によって訓練されたネットワークよりも優れたパフォーマンスを実現する自己教師付きネットワークを採用する。コードはhttps://github.com/ananyajana/fibrosis_codeで公開されている。

関連論文リスト

Liver Fat Quantification Network with Body Shape [4.642852520437342]
生体形状のみを用いて肝脂肪の割合を推定するディープニューラルネットワークを提案する。提案手法は,フレキシブルベースラインネットワークと軽量アテンションモジュールから構成される。その結果,Root平均二乗誤差(RMSE)が5.26%,R-二乗値が0.8。
論文参考訳（メタデータ） (2024-05-18T20:22:22Z)
Cross-Dataset Adaptation for Instrument Classification in Cataract Surgery Videos [54.1843419649895]
特定のデータセットでこのタスクをうまく実行する最先端モデルでは、別のデータセットでテストすると、パフォーマンスが低下する。本稿では,Barlow Adaptorと呼ばれる新しいエンドツーエンドのUnsupervised Domain Adaptation (UDA)手法を提案する。さらに,BFAL(Barlow Feature Alignment Loss)と呼ばれる,異なるドメインにまたがる特徴を整列させる新たな損失を導入する。
論文参考訳（メタデータ） (2023-07-31T18:14:18Z)
Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
肝移植は肝疾患に対して必要不可欠な治療法である。機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-02-18T18:24:58Z)
Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
論文参考訳（メタデータ） (2022-08-28T19:02:39Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
Realistic Ultrasound Image Synthesis for Improved Classification of Liver Disease [54.69792905238048]
超音波(US)データから肝疾患を分類するために、畳み込みニューラルネットワーク(CNN)が研究されている。本稿では, 現実的な疾患と健康な肝臓画像合成のための新しいGANアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-07-27T12:37:19Z)
A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
論文参考訳（メタデータ） (2020-11-02T18:16:17Z)
Deep Learning based NAS Score and Fibrosis Stage Prediction from CT and Pathology Data [4.506304887966763]
非アルコール性脂肪肝疾患 (NAFLD) は世界の人口で増加傾向にある。我々はCTデータからNASスコアと線維化ステージを自動的に予測する新しい手法を提案する。また,CTとH&Eの染色病理データから得られる情報を組み合わせてNASスコアと線維症ステージ予測の性能を向上させる手法を提案する。
論文参考訳（メタデータ） (2020-09-22T17:02:31Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
3D medical image segmentation with labeled and unlabeled data using autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文参考訳（メタデータ） (2020-03-17T20:20:43Z)

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。