論文の概要: Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images

• arxiv url: http://arxiv.org/abs/2106.02385v1
• Date: Fri, 4 Jun 2021 09:51:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 00:06:52.565104
• Title: Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images
• Title（参考訳）: 多パラメータmr画像を用いたディープラーニング前立腺癌検出における偽陽性/陰性率の制御
• Authors: Zhe Min, Fernando J. Bianco, Qianye Yang, Rachael Rodell, Wen Yan, Dean Barratt, Yipeng Hu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.85481248101611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prostate cancer (PCa) is one of the leading causes of death for men worldwide. Multi-parametric magnetic resonance (mpMR) imaging has emerged as a non-invasive diagnostic tool for detecting and localising prostate tumours by specialised radiologists. These radiological examinations, for example, for differentiating malignant lesions from benign prostatic hyperplasia in transition zones and for defining the boundaries of clinically significant cancer, remain challenging and highly skill-and-experience-dependent. We first investigate experimental results in developing object detection neural networks that are trained to predict the radiological assessment, using these high-variance labels. We further argue that such a computer-assisted diagnosis (CAD) system needs to have the ability to control the false-positive rate (FPR) or false-negative rate (FNR), in order to be usefully deployed in a clinical workflow, informing clinical decisions without further human intervention. This work proposes a novel PCa detection network that incorporates a lesion-level cost-sensitive loss and an additional slice-level loss based on a lesion-to-slice mapping function, to manage the lesion- and slice-level costs, respectively. Our experiments based on 290 clinical patients concludes that 1) The lesion-level FNR was effectively reduced from 0.19 to 0.10 and the lesion-level FPR was reduced from 1.03 to 0.66 by changing the lesion-level cost; 2) The slice-level FNR was reduced from 0.19 to 0.00 by taking into account the slice-level cost; (3) Both lesion-level and slice-level FNRs were reduced with lower FP/FPR by changing the lesion-level or slice-level costs, compared with post-training threshold adjustment using networks without the proposed cost-aware training.
• Abstract（参考訳）: 前立腺癌(PCa)は世界中の男性にとって主要な死因の1つである。 専門の放射線技師による前立腺腫瘍の非侵襲的診断ツールとして,Multi-parametric magnetic resonance (mpMR) が出現している。 これらの放射線学的検査は、例えば、移行期における良性前立腺肥大症と悪性病変の鑑別、臨床的に重要ながんの境界を定義するためのものであり、高い技術と経験に依存している。 まず,これらの高分散ラベルを用いて,放射線学的評価の予測を訓練した物体検出ニューラルネットワークの開発に関する実験結果について検討した。 さらに,このようなコンピュータ支援診断(CAD)システムでは,より人的介入を伴わずに臨床診断を行うためには,偽陽性率 (FPR) や偽陰性率 (FNR) を制御できる能力が必要であるとも主張する。 本研究は, 病変レベルのコスト感応損失と, 病変間マッピング機能に基づくスライスレベル損失を付加した新しいpca検出ネットワークを提案し, 病変とスライスレベルのコストをそれぞれ管理する。 Our experiments based on 290 clinical patients concludes that 1) The lesion-level FNR was effectively reduced from 0.19 to 0.10 and the lesion-level FPR was reduced from 1.03 to 0.66 by changing the lesion-level cost; 2) The slice-level FNR was reduced from 0.19 to 0.00 by taking into account the slice-level cost; (3) Both lesion-level and slice-level FNRs were reduced with lower FP/FPR by changing the lesion-level or slice-level costs, compared with post-training threshold adjustment using networks without the proposed cost-aware training.

関連論文リスト

• Adaptive Voxel-Weighted Loss Using L1 Norms in Deep Neural Networks for Detection and Segmentation of Prostate Cancer Lesions in PET/CT Images [16.92267561082044]
  本研究では, PET/CTスキャンにおける転移性前立腺癌病変の自動検出と分節化に向けた, ディープニューラルネットワークの新たな損失関数L1-weighted Dice Loss (L1DFL)を提案する。 我々は,Attention U-NetとSegResNetの2つの3D畳み込みニューラルネットワークを訓練し,PETとCTのボリュームを入力として生成した。 L1DFLはテストセットで比較損失関数を少なくとも13%上回った。
  論文  参考訳（メタデータ） (2025-02-04T22:45:16Z)
• RadHop-Net: A Lightweight Radiomics-to-Error Regression for False Positive Reduction In MRI Prostate Cancer Detection [25.36983109088304]
  本稿では,FP削減のための新しい軽量CNNであるRadHop-Netを紹介する。 提案されたステージ2は、公開可能なpi-caiデータセットにおける病変検出における平均精度(AP)を0.407から0.468に改善する。
  論文  参考訳（メタデータ） (2025-01-03T19:20:04Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
  腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。 我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。 画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
  論文  参考訳（メタデータ） (2021-11-09T00:11:01Z)
• 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)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• Convolutional neural networks for automatic detection of Focal Cortical Dysplasia [59.034649152318224]
  葉性皮質異形成症(FCD)は,皮質発達異常に関連する最も一般的なてんかん性病変の1つである。 近年のディープラーニングを用いたFCD検出法は15名のラベル付きFCD患者のデータセットに適用されている。 その結果, 被験者15名中11名に対してFCDの検出に成功した。
  論文  参考訳（メタデータ） (2020-10-20T15:30:37Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。