論文の概要: Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study

• arxiv url: http://arxiv.org/abs/2109.02252v1
• Date: Mon, 6 Sep 2021 06:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 01:17:08.851449
• Title: Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study
• Title（参考訳）: 異なるタスクと異なるデータセットにおける放射能性能向上のための生成モデル:実験的検討
• Authors: Junhua Chen, Inigo Bermejo, Andre Dekker, Leonard Wee
• Abstract要約: ラジオミクス(Radiomics)は、医用画像からの高スループット特徴抽出に焦点を当てた研究分野である。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。
• 参考スコア（独自算出の注目度）: 3.040206021972938
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomics is an active area of research focusing on high throughput feature extraction from medical images with a wide array of applications in clinical practice, such as clinical decision support in oncology. However, noise in low dose computed tomography (CT) scans can impair the accurate extraction of radiomic features. In this article, we investigate the possibility of using deep learning generative models to improve the performance of radiomics from low dose CTs. We used two datasets of low dose CT scans -NSCLC Radiogenomics and LIDC-IDRI - as test datasets for two tasks - pre-treatment survival prediction and lung cancer diagnosis. We used encoder-decoder networks and conditional generative adversarial networks (CGANs) trained in a previous study as generative models to transform low dose CT images into full dose CT images. Radiomic features extracted from the original and improved CT scans were used to build two classifiers - a support vector machine (SVM) and a deep attention based multiple instance learning model - for survival prediction and lung cancer diagnosis respectively. Finally, we compared the performance of the models derived from the original and improved CT scans. Encoder-decoder networks and CGANs improved the area under the curve (AUC) of survival prediction from 0.52 to 0.57 (p-value<0.01). On the other hand, Encoder-decoder network and CGAN can improve the AUC of lung cancer diagnosis from 0.84 to 0.88 and 0.89 respectively (p-value<0.01). Moreover, there are no statistically significant differences in improving AUC by using encoder-decoder network and CGAN (p-value=0.34) when networks trained at 75 and 100 epochs. Generative models can improve the performance of low dose CT-based radiomics in different tasks. Hence, denoising using generative models seems to be a necessary pre-processing step for calculating radiomic features from low dose CTs.
• Abstract（参考訳）: 放射線学(radiomics)は医学画像からの高スループット特徴抽出に焦点を当てた活発な研究分野であり、腫瘍学における臨床決定支援など、臨床実践に幅広く応用されている。 しかし,低線量CTスキャンのノイズは放射線学的特徴の正確な抽出を損なう可能性がある。 本稿では,低線量CTを用いた深層学習生成モデルによる放射能向上の可能性について検討する。 低線量CTスキャン(NSCLC Radiogenomics)とLIDC-IDRI(LIDC-IDRI)の2つのデータセットを用いた。 従来,低線量CT像をフル線量CT画像に変換するために,エンコーダ・デコーダ・ネットワークと条件付き生成逆数ネットワーク(CGAN)を生成モデルとして用いた。 元のCTスキャンと改良されたCTスキャンから抽出した放射線学的特徴を用いて,生存予測と肺がん診断のための2つの分類器 – サポートベクターマシン(SVM)とディープアテンションベースマルチインスタンス学習モデル – を構築した。 最後に, 原型と改良型ctスキャンから得られたモデルの性能を比較した。 エンコーダデコーダネットワークとCGANは生存予測曲線(AUC)の面積を0.52から0.57(p-value<0.01)に改善した。 一方、Encoder-decoderネットワークとCGANは、それぞれ0.84から0.88および0.89の肺がん診断のAUCを改善することができる(p値<0.01)。 さらに、エンコーダデコーダネットワークとCGAN(p-value=0.34)を用いて75および100エポックのネットワークをトレーニングすることで、AUCの改善に統計的に有意な差はない。 生成モデルは、異なるタスクにおける低線量CTベースの放射能の性能を改善することができる。 したがって、低線量ctから放射能の特徴を計算するには、生成モデルを用いた雑音除去が必須な前処理であると考えられる。

関連論文リスト

• Multi-Layer Feature Fusion with Cross-Channel Attention-Based U-Net for Kidney Tumor Segmentation [0.0]
  U-Netベースのディープラーニング技術は、自動化された医用画像セグメンテーションのための有望なアプローチとして登場しつつある。 腎腫瘍の診断のためのCTスキャン画像のエンドツーエンド自動セマンティックセマンティックセグメンテーションのための改良されたU-Netモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-20T19:02:41Z)
• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
  肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。 ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。 しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
  論文  参考訳（メタデータ） (2023-05-02T01:04:22Z)
• A Novel Implementation of Machine Learning for the Efficient, Explainable Diagnosis of COVID-19 from Chest CT [0.0]
  本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。 提案したモデルは0.927の総合精度と0.958の感度を得た。
  論文  参考訳（メタデータ） (2022-06-15T18:35:22Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• Multi-Slice Net: A novel light weight framework for COVID-19 Diagnosis [38.32234937094937]
  本稿では,CTスキャンを用いた軽量な新型コロナウイルス診断フレームワークを提案する。 特徴抽出器として強力なバックボーンネットワークを用い,識別的スライスレベルの特徴を抽出する。 これらの特徴は、患者レベル診断を得るために、軽量ネットワークによって集約される。
  論文  参考訳（メタデータ） (2021-08-09T02:46:11Z)
• Generative Models Improve Radiomics Reproducibility in Low Dose CTs: A Simulation Study [4.7849095200575045]
  放射能の特徴は、低線量ct(low dose computed tomography)スキャンのようなノイズ画像から計算される。 本稿では, ノイズCTで算出した放射能特性の改善の可能性について, 生成モデルを用いて検討する。 その結果, エンコーダデコーダネットワーク (edn) と条件付き生成型adversarial network (cgans) を用いたノイズctで算出した放射能特性を改善することができた。
  論文  参考訳（メタデータ） (2021-04-30T15:18:57Z)

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。