論文の概要: Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data
Augmentation and Hard Boundary Box Training
- arxiv url: http://arxiv.org/abs/2108.08158v2
- Date: Thu, 23 Mar 2023 00:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 19:04:59.546533
- Title: Practical X-ray Gastric Cancer Screening Using Refined Stochastic Data
Augmentation and Hard Boundary Box Training
- Title(参考訳): 補充型確率データ拡張とハードバウンダリボックストレーニングを用いたX線胃癌検診の実際
- Authors: Hideaki Okamoto, Takakiyo Nomura, Kazuhito Nabeshima, Jun Hashimoto,
Hitoshi Iyatomi
- Abstract要約: 胃癌検診では、X線はX線撮影者が行うことができ、内視鏡検査よりも多くの患者を見ることができる。
胃X線の感度は85.5%に過ぎず、胃癌を直接標的とする自動診断補助についてはほとんど研究されていない。
本稿では,現実的な臨床画像撮影条件下でのX線画像の実用的な胃癌検診システムを提案する。
- 参考スコア(独自算出の注目度): 2.449909275410288
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In gastric cancer screening, X-rays can be performed by radiographers,
allowing them to see far more patients than endoscopy, which can only be
performed by physicians. However, due to subsequent diagnostic difficulties,
the sensitivity of gastric X-ray is only 85.5%, and little research has been
done on automated diagnostic aids that directly target gastric cancer. This
paper proposes a practical gastric cancer screening system for X-ray images
taken under realistic clinical imaging conditions. Our system not only provides
a diagnostic result for each image, but also provides an explanation for the
result by displaying candidate cancer areas with bounding boxes. Training
object detection models to do this was very expensive in terms of assigning
supervised labels, and had the disadvantage of not being able to use negative
(i.e., non-cancer) data for training. Our proposal consists of two novel
techniques: (1) refined stochastic gastric image augmentation (R-sGAIA) and (2)
hard boundary box training (HBBT). The R-sGAIA probabilistically highlights the
gastric folds in the X-ray image based on medical knowledge, thus increasing
the detection efficiency of gastric cancer. The HBBT is a new, efficient, and
versatile training method that can reduce the number of false positive
detections by actively using negative samples. The results showed that the
proposed R-sGAIA and HBBT significantly improved the F1 score by 5.9% compared
to the baseline EfficientDet-D7 + RandAugment (F1: 57.8%, recall: 90.2%,
precision: 42.5%). This score is higher than the physician's cancer detection
rate, indicating that at least 2 out of 5 areas detected are cancerous,
confirming the utility of gastric cancer screening.
- Abstract(参考訳): 胃癌検診では、x線撮影はx線撮影によって行うことができ、内視鏡検査よりもずっと多くの患者を診ることができる。
しかし、その後診断が困難になったため、胃X線の感度は85.5%に過ぎず、胃癌を直接標的とする自動診断支援についてはほとんど研究されていない。
本稿では,現実的な臨床画像撮影条件下でのX線画像の実用的な胃癌検診システムを提案する。
本システムでは、各画像の診断結果を提供するだけでなく、がん候補領域を境界ボックスで表示することにより、結果の解説を行う。
これを行うための訓練対象検出モデルは、監督されたラベルを割り当てるという点で非常に高価であり、訓練に負のデータ(すなわち非がんデータ)を使えないという欠点があった。
提案手法は,(1)改良型確率的胃画像強調(R-sGAIA)と(2)ハードバウンダリボックストレーニング(HBBT)の2つの新しい手法からなる。
R-sGAIAは医療知識に基づいてX線像の胃折りを確率的に強調し,胃癌の検出効率を高める。
HBBTは、陰性サンプルを積極的に使用することにより、偽陽性検出の回数を減らすことができる、新しい、効率的で汎用的な訓練方法である。
その結果、提案されたR-sGAIAとHBBTは、ベースラインのEfficientDet-D7 + RandAugment(F1:57.8%、リコール:90.2%、精度:42.5%)と比較してF1スコアを5.9%改善した。
このスコアは、医師のがん検出率よりも高く、検出された5領域のうち少なくとも2つは癌であり、胃癌スクリーニングの有用性を確認している。
関連論文リスト
- Cluster-Induced Mask Transformers for Effective Opportunistic Gastric
Cancer Screening on Non-contrast CT Scans [38.46196471197819]
世界第3位の死因は胃癌である。
既存の方法は侵襲的であり、高価であり、早期胃癌を特定する感度が欠如している。
マルチタスク方式で腫瘍を共同分割し異常を分類する新規なクラスタ誘導型マスクトランスを提案する。
論文 参考訳(メタデータ) (2023-07-10T12:49:36Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳(メタデータ) (2023-04-12T15:08:34Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳(メタデータ) (2022-07-13T23:53:09Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - A novel framework based on deep learning and ANOVA feature selection
method for diagnosis of COVID-19 cases from chest X-ray Images [0.0]
新型コロナウイルスは武漢で最初に確認され、急速に世界中に広がった。
最もアクセスしやすい方法はRT-PCRである。
RT-PCRと比較すると,胸部CTと胸部X線像が優れた結果を示した。
DenseNet169はX線画像から特徴を抽出するために使用された。
論文 参考訳(メタデータ) (2021-09-30T16:10:31Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - Exploring the Effect of Image Enhancement Techniques on COVID-19
Detection using Chest X-rays Images [4.457871213347773]
本稿では,様々な画像強調技術の効果について検討し,それぞれが検出性能に与える影響について述べる。
我々はCOVQU-20と呼ばれる最大規模のX線データセットをコンパイルした。
CXR画像のガンマ補正による新型コロナウイルス検出における精度、精度、感度、f1スコア、特異度はそれぞれ96.29%、96.28%、96.29%、96.28%、96.27%であった。
論文 参考訳(メタデータ) (2020-11-25T20:58:27Z) - 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) - Review on Computer Vision in Gastric Cancer: Potential Efficient Tools
for Diagnosis [0.0]
本総説は,胃癌に対するコンピュータビジョンの進歩に焦点を当てたものである。
データ生成と拡張の異なる方法が提示される。
より正確な診断とタイムリーな治療を支援するため,分類・分節技術について論じる。
論文 参考訳(メタデータ) (2020-05-17T16:14:15Z)
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。