論文の概要: A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI
- arxiv url: http://arxiv.org/abs/2110.08817v1
- Date: Sun, 17 Oct 2021 13:19:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 18:13:58.154734
- Title: A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI
- Title（参考訳）: 多相性mriと多相mriを用いた肝病変の局在・分化・不確かさ推定のための深層学習パイプライン
- Authors: Peng Wang, Yuhsuan Wu, Bolin Lai, Xiao-Yun Zhou, Le Lu, Wendi Liu,
Huabang Zhou, Lingyun Huang, Jing Xiao, Adam P. Harrison, Ningyang Jia,
Heping Hu
- Abstract要約: 肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 15.078841623264543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objectives: to propose a fully-automatic computer-aided diagnosis (CAD)
solution for liver lesion characterization, with uncertainty estimation.
Methods: we enrolled 400 patients who had either liver resection or a biopsy
and was diagnosed with either hepatocellular carcinoma (HCC), intrahepatic
cholangiocarcinoma, or secondary metastasis, from 2006 to 2019. Each patient
was scanned with T1WI, T2WI, T1WI venous phase (T2WI-V), T1WI arterial phase
(T1WI-A), and DWI MRI sequences. We propose a fully-automatic deep CAD pipeline
that localizes lesions from 3D MRI studies using key-slice parsing and provides
a confidence measure for its diagnoses. We evaluate using five-fold cross
validation and compare performance against three radiologists, including a
senior hepatology radiologist, a junior hepatology radiologist and an abdominal
radiologist.
Results: the proposed CAD solution achieves a mean F1 score of 0.62,
outperforming the abdominal radiologist (0.47), matching the junior hepatology
radiologist (0.61), and underperforming the senior hepatology radiologist
(0.68). The CAD system can informatively assess its diagnostic confidence,
i.e., when only evaluating on the 70% most confident cases the mean f1 score
and sensitivity at 80% specificity for HCC vs. others are boosted from 0.62 to
0.71 and 0.84 to 0.92, respectively.
Conclusion: the proposed fully-automatic CAD solution can provide good
diagnostic performance with informative confidence assessments in finding and
discriminating liver lesions from MRI studies.
- Abstract（参考訳）: 目的: 肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
方法:肝切除または生検を施行し,肝細胞癌(HCC),肝内胆管癌,二次転移と診断された400例を2006年から2019年まで登録した。
各患者はT1WI,T2WI,T1WI静脈相(T2WI-V),T1WI動脈相(T1WI-A),DWIMRIで検索した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
以上の結果から,5倍のクロスバリデーションを用いて評価し,上肝放射線科医,下肝放射線科医,腹部放射線科医の3名と比較した。
結果: 提案するcad溶液は, 平均f1スコアが 0.62 となり, 腹部放射線科医 (0.47) を上回り, ジュニア肝学放射線科医 (0.61) と一致し, 高齢者肝学放射線科医 (0.68) を上回った。
CADシステムは、診断信頼度を情報的に評価することができる。すなわち、最も確実な70%のケースでのみ評価した場合、平均f1スコアと感度を、それぞれ0.62から0.71と0.84から0.92に引き上げる。
結論: 提案した完全自動CADソリューションは, 肝病変の発見と鑑別における情報的信頼性評価をMRIで行うことにより, 良好な診断性能が得られる。
関連論文リスト
- Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Risk Classification of Brain Metastases via Radiomics, Delta-Radiomics
and Machine Learning [7.165205048529115]
放射線学と機械学習 (ML) を用いて, 進行の進行のリスクが高い転移は, 腫瘍発生前の経過観察中に同定できると仮定した。
この分類は、最大関連最小冗長(MRMR)技術とサポートベクトルマシン(SVM)により実現される。
以上の結果から,SRT後フォローアップにおける放射能および機械学習に基づくBMのリスク階層化は,良好な精度で可能であり,SRT後フォローアップのパーソナライズと改善のためにさらに追求すべきであることが示唆された。
論文 参考訳（メタデータ） (2023-02-17T10:55:18Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - Deep Learning-Based Automatic Diagnosis System for Developmental
Dysplasia of the Hip [5.673030999857323]
本研究では,14個のキーポイントを自動的に検出する深層学習システムを提案する。
3つの解剖学的角度(中央辺角、T"オンニス角、シャープ角)を測り、DDHヒップをクロー基準に基づいてグレードI-IVに分類する。
論文 参考訳（メタデータ） (2022-09-07T19:50:30Z) - 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) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Fully-Automated Liver Tumor Localization and Characterization from
Multi-Phase MR Volumes Using Key-Slice ROI Parsing: A Physician-Inspired
Approach [24.39183542768238]
肝腫瘍の診断には放射線検査が不可欠である。
トップの放射線科医は、適度なレート間合意だけで約80%のf1スコアしか達成できない。
重要な課題は、診断可能な関心領域をローカライズするために、3次元MRボリュームを堅牢に解析することである。
論文 参考訳（メタデータ） (2020-12-13T05:23:33Z) - iPhantom: a framework for automated creation of individualized
computational phantoms and its application to CT organ dosimetry [58.943644554192936]
本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。
この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。
iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
論文 参考訳（メタデータ） (2020-08-20T01:50:49Z) - Deep Learning-based Computational Pathology Predicts Origins for Cancers
of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。
最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。
深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:59:36Z)
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。