論文の概要: Advancing Brain Metastases Detection in T1-Weighted Contrast-Enhanced 3D
MRI using Noisy Student-based Training
- arxiv url: http://arxiv.org/abs/2111.05959v1
- Date: Wed, 10 Nov 2021 21:44:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-12 15:03:38.639182
- Title: Advancing Brain Metastases Detection in T1-Weighted Contrast-Enhanced 3D
MRI using Noisy Student-based Training
- Title（参考訳）: 雑音学習を用いたT1強調造影MRIにおける脳転移の検出
- Authors: Engin Dikici, Xuan V. Nguyen, Matthew Bigelow, John. L. Ryu, and
Luciano M. Prevedello
- Abstract要約: 本研究は, 未ラベルのT1cデータの大規模コーパスを活用するため, ノイズの多い学生による自己学習戦略により, フレームワークを前進させることを目的としている。
ラベル付き217とラベルなし1247のT1c試験を2倍のクロスバリデーションで行った。
ラベル付き試験のみを使用したフレームワークは、90%のBM検出感度で9.23の偽陽性を発生させ、一方、導入した学習戦略を使用したフレームワークは、9%の誤検出を減少させた。
- 参考スコア（独自算出の注目度）: 1.101002667958165
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The detection of brain metastases (BM) in their early stages could have a
positive impact on the outcome of cancer patients. We previously developed a
framework for detecting small BM (with diameters of less than 15mm) in
T1-weighted Contrast-Enhanced 3D Magnetic Resonance images (T1c) to assist
medical experts in this time-sensitive and high-stakes task. The framework
utilizes a dedicated convolutional neural network (CNN) trained using labeled
T1c data, where the ground truth BM segmentations were provided by a
radiologist. This study aims to advance the framework with a noisy
student-based self-training strategy to make use of a large corpus of unlabeled
T1c data (i.e., data without BM segmentations or detections). Accordingly, the
work (1) describes the student and teacher CNN architectures, (2) presents data
and model noising mechanisms, and (3) introduces a novel pseudo-labeling
strategy factoring in the learned BM detection sensitivity of the framework.
Finally, it describes a semi-supervised learning strategy utilizing these
components. We performed the validation using 217 labeled and 1247 unlabeled
T1c exams via 2-fold cross-validation. The framework utilizing only the labeled
exams produced 9.23 false positives for 90% BM detection sensitivity; whereas,
the framework using the introduced learning strategy led to ~9% reduction in
false detections (i.e., 8.44) for the same sensitivity level. Furthermore,
while experiments utilizing 75% and 50% of the labeled datasets resulted in
algorithm performance degradation (12.19 and 13.89 false positives
respectively), the impact was less pronounced with the noisy student-based
training strategy (10.79 and 12.37 false positives respectively).
- Abstract（参考訳）: 脳転移(BM)の早期発見は、がん患者の予後に肯定的な影響を及ぼす可能性がある。
本研究では,T1強調コントラスト強調3次元磁気共鳴画像(T1c)における小型BM(直径15mm未満)検出のためのフレームワークを開発した。
このフレームワークは、ラベル付きt1cデータを使用してトレーニングされた専用の畳み込みニューラルネットワーク(cnn)を使用しており、基底真理bmセグメンテーションは放射線学者によって提供された。
本研究の目的は,無ラベルのT1cデータ(BMセグメンテーションや検出のないデータ)の大量コーパスを利用するため,ノイズの多い学生による自己学習戦略でフレームワークを前進させることである。
その結果,(1)学生と教師のCNNアーキテクチャを記述し,(2)データとモデルノーミング機構を提示し,(3)学習したBM検出感度に影響を及ぼす新しい擬似ラベル戦略を導入する。
最後に,これらを利用した半教師付き学習戦略について述べる。
ラベル付き217とラベルなし1247のT1c試験を2倍のクロスバリデーションで行った。
ラベル付き試験のみを用いたフレームワークでは、90%のbm検出感度で9.23の偽陽性が得られたが、導入された学習戦略を用いたフレームワークでは、同じ感度で9%の偽検出率(すなわち8.44)が低下した。
さらに、ラベル付きデータセットの75%と50%を用いた実験はアルゴリズムの性能劣化(それぞれ12.19と13.89の偽陽性)をもたらしたが、ノイズの多い学生ベースのトレーニング戦略(それぞれ10.79と12.37の偽陽性)では影響は低かった。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - 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 (DL)-based Automatic Segmentation of the Internal Pudendal
Artery (IPA) for Reduction of Erectile Dysfunction in Definitive Radiotherapy
of Localized Prostate Cancer [2.3547204612718393]
深層学習に基づくIPAのための自己分離モデルを提案する。
このモデルは、臨床実習における変化に対応するために、入力画像のモダリティとして、CTとMRIとCTのみを使用します。
提案モデルでは, セグメンテーションの均一性を向上させるため, 高品質なIPA輪郭が得られた。
論文 参考訳（メタデータ） (2023-02-03T02:00:06Z) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳（メタデータ） (2022-11-10T00:04:46Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - An Automatic Detection Method Of Cerebral Aneurysms In Time-Of-Flight
Magnetic Resonance Angiography Images Based On Attention 3D U-Net [17.556541347902638]
破裂した脳動脈瘤によるくも膜下出血はしばしば致命的な結果をもたらす。
飛行時磁気共鳴血管造影は、脳動脈瘤の非侵襲的スクリーニング技術として最もよく用いられる。
深層学習技術の動脈瘤検出への応用は、動脈瘤のスクリーニング効果を効果的に向上させることができる。
論文 参考訳（メタデータ） (2021-10-26T02:45:15Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Weak labels and anatomical knowledge: making deep learning practical for
intracranial aneurysm detection in TOF-MRA [0.0]
我々は、過大な弱いラベルを用いてトレーニングされる、完全に自動化されたディープニューラルネットワークを開発する。
当社のネットワークは、社内データで平均77%の感度を達成し、患者1人当たりの平均False Positive(FP)レートは0.72です。
論文 参考訳（メタデータ） (2021-03-10T16:31:54Z) - A novel multiple instance learning framework for COVID-19 severity
assessment via data augmentation and self-supervised learning [64.90342559393275]
新型コロナウイルスの重症度を迅速かつ正確に評価する方法は、世界中の何百万人もの人々がパンデミックに苦しんでいる場合に必要不可欠な問題だ。
CT画像による新型コロナウイルスの重症度自動評価を妨害する可能性のある、弱いアノテーションと不十分なデータという2つの問題があることを観察する。
平均精度は95.8%で、感度は93.6%、特異性は96.4%で、前作より優れていた。
論文 参考訳（メタデータ） (2021-02-07T16:30:18Z) - Deep Learning Based Classification of Unsegmented Phonocardiogram
Spectrograms Leveraging Transfer Learning [0.0]
心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。
PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。
本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
論文 参考訳（メタデータ） (2020-12-15T16:32:29Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。