論文の概要: CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans

• arxiv url: http://arxiv.org/abs/2110.08721v1
• Date: Sun, 17 Oct 2021 04:37:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-21 07:53:40.566297
• Title: CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans
• Title（参考訳）: cae-transformer : non-thin section 3d ctスキャンによる肺腺癌の浸潤性予測のためのトランスフォーマモデル
• Authors: Shahin Heidarian, Parnian Afshar, Anastasia Oikonomou, Konstantinos N. Plataniotis, Arash Mohammadi
• Abstract要約: 肺腺癌(LAUC)は近年最も多い疾患である。 肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。 LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
• 参考スコア（独自算出の注目度）: 36.093580055848186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lung cancer is the leading cause of mortality from cancer worldwide and has various histologic types, among which Lung Adenocarcinoma (LAUC) has recently been the most prevalent. Lung adenocarcinomas are classified as pre-invasive, minimally invasive, and invasive adenocarcinomas. Timely and accurate knowledge of the invasiveness of lung nodules leads to a proper treatment plan and reduces the risk of unnecessary or late surgeries. Currently, the primary imaging modality to assess and predict the invasiveness of LAUCs is the chest CT. The results based on CT images, however, are subjective and suffer from a low accuracy compared to the ground truth pathological reviews provided after surgical resections. In this paper, a predictive transformer-based framework, referred to as the "CAE-Transformer", is developed to classify LAUCs. The CAE-Transformer utilizes a Convolutional Auto-Encoder (CAE) to automatically extract informative features from CT slices, which are then fed to a modified transformer model to capture global inter-slice relations. Experimental results on our in-house dataset of 114 pathologically proven Sub-Solid Nodules (SSNs) demonstrate the superiority of the CAE-Transformer over the histogram/radiomics-based models and its deep learning-based counterparts, achieving an accuracy of 87.73%, sensitivity of 88.67%, specificity of 86.33%, and AUC of 0.913, using a 10-fold cross-validation.
• Abstract（参考訳）: 肺がんは、世界中のがんによる死亡率の主要な原因であり、様々な組織型があり、肺腺癌(lauc)が最近最も普及している。 肺腺癌は浸潤前、浸潤最小限、浸潤性腺癌に分類される。 肺結節の侵襲性のタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減する。 現在、LAUCの浸潤度を評価し、予測するための主要な画像モダリティは胸部CTである。 しかし,CT画像による評価は,外科的切除後の臨床所見と比較すると,主観的であり,精度が低い。 本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。 cae変換器は畳み込みオートエンコーダ(cae)を使用してctスライスから情報的特徴を自動的に抽出し、修正トランスフォーマモデルに供給してグローバルスライス間関係をキャプチャする。 病理学的に証明された114個のサブソリッド・ノジュール(SSN)の社内データセットによる実験結果から,CAE変換器のヒストグラム/ラジオグラフィーモデルおよび深層学習モデルに対する優位性を示し,精度87.73%,感度88.67%,特異性86.33%,AUC of 0.913を実現した。

関連論文リスト

• 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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions [0.0]
  肺がんはイギリスで21%のがん死の原因となっている。 最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。 本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
  論文  参考訳（メタデータ） (2023-11-27T11:12:33Z)
• 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)
• Improved Prognostic Prediction of Pancreatic Cancer Using Multi-Phase CT by Integrating Neural Distance and Texture-Aware Transformer [37.55853672333369]
  本稿では, 異なる患者のCT像における腫瘍と血管の正確な関係を記述した, 学習可能なニューラル距離を提案する。 発達したリスクマーカーは, 術前因子の生存率の予測因子として最強であった。
  論文  参考訳（メタデータ） (2023-08-01T12:46:02Z)
• 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)
• Spatio-Temporal Hybrid Fusion of CAE and SWIn Transformers for Lung Cancer Malignancy Prediction [14.7474816215111]
  本稿では,新しいハイブリッド・ディスカバリ・ラジオミクス・フレームワークを提案する。 非薄い胸部CTスライスから抽出した時間的特徴と空間的特徴を同時に統合する。 肺腺癌(LUAC)の悪性度を最小限に予測する。
  論文  参考訳（メタデータ） (2022-10-27T10:07:00Z)
• Unsupervised Contrastive Learning based Transformer for Lung Nodule Detection [6.693379403133435]
  CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。 CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。 肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。 近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-30T01:19:00Z)
• Generative Models Improve Radiomics Performance in Different Tasks and Different Datasets: An Experimental Study [3.040206021972938]
  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。
  論文  参考訳（メタデータ） (2021-09-06T06:01:21Z)

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。