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
- 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) - 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) - 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) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - 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) - Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。
本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。
具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
論文 参考訳(メタデータ) (2020-03-15T11:46:00Z)
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。