論文の概要: Universal Lesion Detection in CT Scans using Neural Network Ensembles
- arxiv url: http://arxiv.org/abs/2111.04886v2
- Date: Wed, 10 Nov 2021 19:33:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 12:12:33.251073
- Title: Universal Lesion Detection in CT Scans using Neural Network Ensembles
- Title(参考訳): ニューラルネットワークを用いたCTスキャンにおけるユニバーサル病変検出
- Authors: Tarun Mattikalli, Tejas Sudharshan Mathai, and Ronald M. Summers
- Abstract要約: 腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。
我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。
画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
- 参考スコア(独自算出の注目度): 5.341593824515018
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In clinical practice, radiologists are reliant on the lesion size when
distinguishing metastatic from non-metastatic lesions. A prerequisite for
lesion sizing is their detection, as it promotes the downstream assessment of
tumor spread. However, lesions vary in their size and appearance in CT scans,
and radiologists often miss small lesions during a busy clinical day. To
overcome these challenges, we propose the use of state-of-the-art detection
neural networks to flag suspicious lesions present in the NIH DeepLesion
dataset for sizing. Additionally, we incorporate a bounding box fusion
technique to minimize false positives (FP) and improve detection accuracy.
Finally, to resemble clinical usage, we constructed an ensemble of the best
detection models to localize lesions for sizing with a precision of 65.17% and
sensitivity of 91.67% at 4 FP per image. Our results improve upon or maintain
the performance of current state-of-the-art methods for lesion detection in
challenging CT scans.
- Abstract(参考訳): 臨床において、放射線科医は転移性病変と非転移性病変を区別する場合の病変の大きさに依存する。
病変サイズ測定の前提条件は、腫瘍の拡がりの下流評価を促進するため、その検出である。
しかし、ctスキャンでは病変の大きさや外観が異なり、放射線科医は多忙な臨床日に小さな病変を見逃すことが多い。
これらの課題を克服するために,NIH DeepLesionデータセットに存在する疑わしい病変を分類するために,最先端検出ニューラルネットワークを用いることを提案する。
さらに,False positives (FP) の最小化と検出精度の向上のために,バウンディングボックス融合技術を導入する。
最後に, 臨床用法と類似した臨床用法として, 65.17%, 感度91.67%の精度で画像4FPで, 病変の局在化に最適な検出モデルのアンサンブルを構築した。
本研究は,CT検査における病変検出法の現状を改善または維持するものである。
関連論文リスト
- Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳(メタデータ) (2024-01-31T21:05:34Z) - Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。
小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。
この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文 参考訳(メタデータ) (2023-09-22T14:02:22Z) - Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。
本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文 参考訳(メタデータ) (2022-07-20T06:49:02Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Gastrointestinal Polyps and Tumors Detection Based on Multi-scale
Feature-fusion with WCE Sequences [0.0]
本稿では,小腸ポリープと腫瘍を自動的に検出するtextbfTwo-stage textbfMulti-scale textbfFeature-fusion Learning Network(textbfTMFNet)を提案する。
実験では22,335個のWCE画像を用いて,123,092個の病変領域を用いて検出の枠組みを訓練した。
論文 参考訳(メタデータ) (2022-04-03T07:24:50Z) - 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) - Automatic Breast Lesion Detection in Ultrafast DCE-MRI Using Deep
Learning [0.0]
超高速DCE-MRIにおける乳房病変検出のためのディープラーニングによるコンピュータ支援検出(CADe)手法を提案する。
動的取得の初期段階から得られる3次元空間情報と時間情報の両方を用いる。
論文 参考訳(メタデータ) (2021-02-07T22:03:39Z) - Computer-aided Tumor Diagnosis in Automated Breast Ultrasound using 3D
Detection Network [18.31577982955252]
良性腫瘍145例,悪性腫瘍273例の418例を対象に,本ネットワークの有効性を検証した。
実験により, ネットワークの感度は97.66%, 1.23偽陽性 (FPs) であり, 曲線(AUC) 値0.8720以下の領域を有することがわかった。
論文 参考訳(メタデータ) (2020-07-31T15:25:07Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z) - Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。
次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
論文 参考訳(メタデータ) (2020-01-24T19:39:33Z)
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。