Fugu-MT 論文翻訳(概要): Relationship between pulmonary nodule malignancy and surrounding pleurae, airways and vessels: a quantitative study using the public LIDC-IDRI dataset

論文の概要: Relationship between pulmonary nodule malignancy and surrounding pleurae, airways and vessels: a quantitative study using the public LIDC-IDRI dataset

arxiv url: http://arxiv.org/abs/2106.12991v1
Date: Thu, 24 Jun 2021 13:05:51 GMT
ステータス: 処理完了
システム内更新日: 2021-06-25 21:22:06.864900
Title: Relationship between pulmonary nodule malignancy and surrounding pleurae, airways and vessels: a quantitative study using the public LIDC-IDRI dataset
Title（参考訳）: 肺結節悪性度と周囲胸膜,気道,血管との関係:LIDC-IDRIデータセットを用いた定量的研究
Authors: Yulei Qin, Yun Gu, Hanxiao Zhang, Jie Yang, Lihui Wang, Feng Yao, Yue-Min Zhu
Abstract要約: 非造影CTによる結節周囲の胸膜,気道,血管は良性および悪性肺結節を鑑別することができる。 LIDC-IDRIデータセットは、最も広く公開されているCTデータベースの1つである。
参考スコア（独自算出の注目度）: 11.86688201284011
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To investigate whether the pleurae, airways and vessels surrounding a nodule on non-contrast computed tomography (CT) can discriminate benign and malignant pulmonary nodules. The LIDC-IDRI dataset, one of the largest publicly available CT database, was exploited for study. A total of 1556 nodules from 694 patients were involved in statistical analysis, where nodules with average scorings <3 and >3 were respectively denoted as benign and malignant. Besides, 339 nodules from 113 patients with diagnosis ground-truth were independently evaluated. Computer algorithms were developed to segment pulmonary structures and quantify the distances to pleural surface, airways and vessels, as well as the counting number and normalized volume of airways and vessels near a nodule. Odds ratio (OR) and Chi-square (\chi^2) testing were performed to demonstrate the correlation between features of surrounding structures and nodule malignancy. A non-parametric receiver operating characteristic (ROC) analysis was conducted in logistic regression to evaluate discrimination ability of each structure. For benign and malignant groups, the average distances from nodules to pleural surface, airways and vessels are respectively (6.56, 5.19), (37.08, 26.43) and (1.42, 1.07) mm. The correlation between nodules and the counting number of airways and vessels that contact or project towards nodules are respectively (OR=22.96, \chi^2=105.04) and (OR=7.06, \chi^2=290.11). The correlation between nodules and the volume of airways and vessels are (OR=9.19, \chi^2=159.02) and (OR=2.29, \chi^2=55.89). The areas-under-curves (AUCs) for pleurae, airways and vessels are respectively 0.5202, 0.6943 and 0.6529. Our results show that malignant nodules are often surrounded by more pulmonary structures compared with benign ones, suggesting that features of these structures could be viewed as lung cancer biomarkers.
Abstract（参考訳）: 非造影CT(non-contrast Computed tomography)における結節周囲の胸膜、気道、血管が良性および悪性肺結節を鑑別できるかどうかを検討する。 LIDC-IDRIデータセットは、最も広く公開されているCTデータベースの一つである。 694例の結節数は1556例で,平均点数<3および>3の結節は良性,悪性であった。また,113例から339結節を独立に評価した。肺構造を分割し, 胸壁, 気道, 血管までの距離を定量化し, 結節付近の気道や血管の計数数数と正規化量を測定するコンピュータアルゴリズムを開発した。 Odds ratio (OR) and Chi-square (\chi^2) test was performed to demonstrated the correlation between surrounding structures and nodule malignancy。非パラメトリック受信機動作特性(ROC)解析をロジスティック回帰で行い,各構造物の識別能力を評価した。良性群と悪性群では、結節から胸膜、気道、血管までの平均距離はそれぞれ (6.56, 5.19), (37.08, 26.43) および (1.42, 1.07) mm である。結節と結節に接触または突出する気道と船舶の計数数の相関は、それぞれ(22.96, \chi^2=105.04)と(7.06, \chi^2=290.11)である。空路と船舶の体積の相関は (OR=9.19, \chi^2=159.02) と (OR=2.29, \chi^2=55.89) である。胸膜、気道、船舶用のエリアアンダーカーブ(AUC)はそれぞれ0.5202、0.6943、0.6529である。以上の結果から,悪性結節は良性結節に比べて肺組織を囲むことが多く,その特徴は肺癌のバイオマーカーと見なされる可能性が示唆された。

関連論文リスト

Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Deep learning automated quantification of lung disease in pulmonary hypertension on CT pulmonary angiography: A preliminary clinical study with external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。 The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文参考訳（メタデータ） (2023-03-20T14:06:32Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays [4.595143640439819]
肺の厚さマップを作成したUNetを用いて, 実および合成前頭葉X線写真から肺総容積(TLV)をピクセルレベルで推定することを目的とした。 U-Netモデルは、肺の地図を予測し、TLVを推定するために、公開データセットから合成ラジオグラフィーで訓練され、試験された。
論文参考訳（メタデータ） (2021-10-24T19:09:28Z)
Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文参考訳（メタデータ） (2021-05-06T10:21:28Z)
Development and Characterization of a Chest CT Atlas [5.770017830153421]
肺がん検診プログラムの低用量CTデータベース上に構築した胸部腺腫について検討した。空間マッピングを実現するため,胸腔全体に対して多段階間非剛性登録パイプラインを最適化する。異なる解剖学的表現型に対する識別能力の観点から, 開発したアトラスの応用妥当性を評価した。
論文参考訳（メタデータ） (2020-12-05T21:20:57Z)
Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文参考訳（メタデータ） (2020-08-13T15:45:44Z)
Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文参考訳（メタデータ） (2020-04-02T21:49:14Z)
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文参考訳（メタデータ） (2020-03-26T15:49:32Z)
Generative-based Airway and Vessel Morphology Quantification on Chest CT Images [8.414072468546875]
本稿では, 気道ラウンジ, 気道壁厚, 血管半径の断面計測を行う畳み込みニューラルレグレシタ(CNR)を提案する。 CNRは、SimulatedおよびUnversa Generative Adrial Network(SimGAN)と組み合わせて使用される合成構造の生成モデルによって生成されたデータを用いて訓練される血管では小血管血液量の推定値と一酸化炭素(DLCO)の肺拡散能の相関性を評価する。
論文参考訳（メタデータ） (2020-02-13T18:45:31Z)

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。