論文の概要: Detection, growth quantification and malignancy prediction of pulmonary nodules using deep convolutional networks in follow-up CT scans

• arxiv url: http://arxiv.org/abs/2103.14537v1
• Date: Fri, 26 Mar 2021 15:41:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:51:01.029523
• Title: Detection, growth quantification and malignancy prediction of pulmonary nodules using deep convolutional networks in follow-up CT scans
• Title（参考訳）: 深部畳み込みネットワークを用いた肺結節の検出, 増殖定量化, 悪性度予測
• Authors: Xavier Rafael-Palou (1 and 2), Anton Aubanell (3), Mario Ceresa (2), Vicent Ribas (1), Gemma Piella (2) and Miguel A. Gonz\'alez Ballester (2 and 4) ((1) Eurecat Centre Tecnol\`ogic de Catalunya, eHealth Unit, Barcelona, Spain (2) BCN MedTech, Dept. of Information and Communication Technologies, Universitat Pompeu Fabra, Barcelona, Spain (3) Vall d'Hebron University Hospital, Barcelona, Spain (4) ICREA, Barcelona, Spain)
• Abstract要約: パイプラインは、結節の検出から癌の分類まで完全に自動化された4つの段階で構成されています。 このパイプラインは、近年の階層的確率的U-Netを用いて不確実性推定を報告した、結節成長検出のための新しいアプローチを統合した。 肺がん結節分類のための第2の新しい手法が提案され,前訓練した結節悪性度ネットワークから推定される悪性度確率を2つのストリーム3D-CNNネットワークに統合した。
• 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: We address the problem of supporting radiologists in the longitudinal management of lung cancer. Therefore, we proposed a deep learning pipeline, composed of four stages that completely automatized from the detection of nodules to the classification of cancer, through the detection of growth in the nodules. In addition, the pipeline integrated a novel approach for nodule growth detection, which relied on a recent hierarchical probabilistic U-Net adapted to report uncertainty estimates. Also, a second novel method was introduced for lung cancer nodule classification, integrating into a two stream 3D-CNN network the estimated nodule malignancy probabilities derived from a pretrained nodule malignancy network. The pipeline was evaluated in a longitudinal cohort and reported comparable performances to the state of art.
• Abstract（参考訳）: 肺癌の縦断管理における放射線技師支援の課題に対処する。 そこで本研究では,結節の検出からがんの分類まで,結節の成長の検出を通じて完全に自動化された4段階からなる深層学習パイプラインを提案する。 さらに、このパイプラインは、最近の階層的確率的U-Netを用いて不確実性推定を報告した、結節成長検出のための新しいアプローチを統合した。 また, 術前結節悪性腫瘍ネットワークから推定された結節悪性腫瘍の確率を2つのストリーム3d-cnnネットワークに統合し, 肺癌結節分類のための第2の新しい方法を導入した。 パイプラインは縦コホートで評価され、芸術的状況に匹敵する性能を報告した。

関連論文リスト

• Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging [12.276877277186284]
  肺癌は主要ながん関連死亡例であり、早期診断と治療は患者の生存率の向上に不可欠である。 肺がんのリスクと肺のリスクとの間に得られるネットワークの神経畳み込みネットワークをCT実験に応用することを提案する。 以上の結果から, 肺がん発生リスクと肺がん発生リスクの予測に, ミニバッチド・ロスとバイナリ・クロスエントロピーが有効であったことが示唆された。
  論文  参考訳（メタデータ） (2024-08-18T05:45:08Z)
• 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)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• Multi-Task Lung Nodule Detection in Chest Radiographs with a Dual Head Network [0.7614628596146599]
  肺結節は潜在的肺癌の前駆体となる可能性がある。 胸部X線写真解析における結節検出の欠如は依然として一般的な課題である。 胸部X線写真解析のためのマルチタスク肺結節検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-07T02:29:34Z)
• Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans [13.882367716329387]
  肺結節の管理においてはCTスキャンの直径変化から, 進展を予測することが望ましい。 肺結節の成長傾向予測の性能向上のためには, 連続CTで同じ結節の変化を比較することが不可欠である。
  論文  参考訳（メタデータ） (2022-06-07T06:44:56Z)
• 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 Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
  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。
  論文  参考訳（メタデータ） (2020-12-17T09:53:51Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules [15.069141581681016]
  フォローアップは肺癌の肺結節管理において重要な役割を担っている。 結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。 我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-24T17:18:46Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)

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。