論文の概要: Unsupervised Detection of Lung Nodules in Chest Radiography Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2108.02233v1
• Date: Wed, 4 Aug 2021 18:24:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 15:00:06.626671
• Title: Unsupervised Detection of Lung Nodules in Chest Radiography Using Generative Adversarial Networks
• Title（参考訳）: 胸部X線撮影における肺結節の非教師的検出
• Authors: Nitish Bhatt, David Ramon Prados, Nedim Hodzic, Christos Karanassios, and H.R. Tizhoosh
• Abstract要約: 放射線検査における肺結節の非教師的異常検出手法であるP-AnoGANの提案と評価を行った。 P-AnoGANは、プログレッシブGANと畳み込みエンコーダ-デコーダ-エンコーダパイプラインを利用して、高速な異常検出生成対向ネットワーク(f-AnoGAN)を変更する。 ROC-AUCは91.17%, 87.89%であった。
• 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: Lung nodules are commonly missed in chest radiographs. We propose and evaluate P-AnoGAN, an unsupervised anomaly detection approach for lung nodules in radiographs. P-AnoGAN modifies the fast anomaly detection generative adversarial network (f-AnoGAN) by utilizing a progressive GAN and a convolutional encoder-decoder-encoder pipeline. Model training uses only unlabelled healthy lung patches extracted from the Indiana University Chest X-Ray Collection. External validation and testing are performed using healthy and unhealthy patches extracted from the ChestX-ray14 and Japanese Society for Radiological Technology datasets, respectively. Our model robustly identifies patches containing lung nodules in external validation and test data with ROC-AUC of 91.17% and 87.89%, respectively. These results show unsupervised methods may be useful in challenging tasks such as lung nodule detection in radiographs.
• Abstract（参考訳）: 肺結節は通常胸部x線写真で見逃される。 放射線検査における肺結節の非教師的異常検出手法であるP-AnoGANを提案する。 P-AnoGANは、プログレッシブGANと畳み込みエンコーダ-デコーダ-エンコーダパイプラインを利用して、高速異常検出生成対向ネットワーク(f-AnoGAN)を変更する。 モデルトレーニングは、インディアナ大学胸部x線コレクションから抽出された、ラベルなしの健康な肺パッチのみを使用する。 ケストX線14と日本放射線技術学会のデータセットから抽出した健康的および不健康なパッチを用いて,外的検証と検査を行う。 本モデルでは,roc-auc 91.17%,87.89%で肺結節を含むパッチをロバストに同定した。 これらの結果は, 放射線検査における肺結節検出などの課題に対して, 教師なしの方法が有用であることを示している。

関連論文リスト

• Nodule detection and generation on chest X-rays: NODE21 Challenge [33.99989671569125]
  深層学習法は胸部X線による肺結節の検出において高い性能を発揮する。 我々は,胸部X線による肺結節の検出と発生を目的としたNODE21という公開研究課題を組織した。 本稿では,NODE21チャレンジの結果を要約し,合成学習画像が検出アルゴリズムの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-01-04T10:54:05Z)
• 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)
• X-ray Dissectography Improves Lung Nodule Detection [14.672019886848755]
  数個のX線投影から肺をデジタル的に解剖するために「X線ディストモグラフィー」が用いられる。 協調検出ネットワークは、肺結節を2次元の離断射影と3次元の物理的空間に局在させるように設計されている。
  論文  参考訳（メタデータ） (2022-03-24T15:18:57Z)
• Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection [11.228544549618068]
  肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。 胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。 進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
  論文  参考訳（メタデータ） (2022-01-24T10:08:07Z)
• 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)
• Self-supervised deep convolutional neural network for chest X-ray classification [0.0]
  本研究では,ラベルのない胸部X線データセット上に事前訓練された自己監視型深部ニューラルネットワークを提案する。 4つの公開データセットで得られた結果は、私たちのアプローチが大量のラベル付きトレーニングデータを必要とせずに競争結果をもたらすことを示しています。
  論文  参考訳（メタデータ） (2021-03-04T14:28:37Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• 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)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)

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。