論文の概要: Fully Automatic Deep Learning Framework for Pancreatic Ductal
Adenocarcinoma Detection on Computed Tomography
- arxiv url: http://arxiv.org/abs/2111.15409v2
- Date: Thu, 2 Dec 2021 16:01:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 12:32:25.157638
- Title: Fully Automatic Deep Learning Framework for Pancreatic Ductal
Adenocarcinoma Detection on Computed Tomography
- Title(参考訳): ctによる膵管腺癌検出のための完全自動ディープラーニングフレームワーク
- Authors: Nat\'alia Alves, Megan Schuurmans, Geke Litjens, Joeran S. Bosma, John
Hermans and Henkjan Huisman
- Abstract要約: 早期発見は膵管腺癌(PDAC)の予後を改善する
現在のモデルでは、小さな(2cm)病変の特定に失敗している。
深層学習モデルを用いてPDAC検出のための自動フレームワークを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early detection improves prognosis in pancreatic ductal adenocarcinoma (PDAC)
but is challenging as lesions are often small and poorly defined on
contrast-enhanced computed tomography scans (CE-CT). Deep learning can
facilitate PDAC diagnosis, however current models still fail to identify small
(<2cm) lesions. In this study, state-of-the-art deep learning models were used
to develop an automatic framework for PDAC detection, focusing on small
lesions. Additionally, the impact of integrating surrounding anatomy was
investigated. CE-CT scans from a cohort of 119 pathology-proven PDAC patients
and a cohort of 123 patients without PDAC were used to train a nnUnet for
automatic lesion detection and segmentation (nnUnet_T). Two additional nnUnets
were trained to investigate the impact of anatomy integration: (1) segmenting
the pancreas and tumor (nnUnet_TP), (2) segmenting the pancreas, tumor, and
multiple surrounding anatomical structures (nnUnet_MS). An external, publicly
available test set was used to compare the performance of the three networks.
The nnUnet_MS achieved the best performance, with an area under the receiver
operating characteristic curve of 0.91 for the whole test set and 0.88 for
tumors <2cm, showing that state-of-the-art deep learning can detect small PDAC
and benefits from anatomy information.
- Abstract(参考訳): 早期発見は膵管腺癌 (PDAC) の予後を改善するが, 造影CT (CE-CT) では病変が小さく, 定義が不十分である。
深層学習はPDAC診断を促進するが、現在のモデルでは小さな (2cm) の病変を識別できない。
本研究では,小病変に着目したpdac自動検出フレームワークの開発に,最先端のディープラーニングモデルを用いた。
さらに, 周囲の解剖学的統合の影響について検討した。
119例のPDAC患者のコホートと123例のPDACのないコホートからCE-CTスキャンを行い,nUnetの自動病変検出とセグメンテーション(nnUnet_T)のトレーニングを行った。
膵臓と腫瘍(nnunet_tp)の分節化,2)膵臓,腫瘍,および複数の周囲解剖学的構造(nnunet_ms)の分節化について検討した。
3つのネットワークの性能を比較するために、外部で公開されたテストセットが使用された。
nnUnet_MSは, 試験セット全体の特性曲線0.91, 腫瘍<2cm>0.88の領域で最高の性能を示し, 最先端の深層学習が小さなPDACを検出でき, 解剖学的情報から恩恵を受けられることを示した。
関連論文リスト
- AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - 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) - 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) - 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) - Single volume lung biomechanics from chest computed tomography using a
mode preserving generative adversarial network [10.406580531987418]
単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。
提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。
提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
論文 参考訳(メタデータ) (2021-10-15T06:17:52Z) - 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) - 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass
Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。
患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
論文 参考訳(メタデータ) (2020-12-08T19:38:01Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳(メタデータ) (2020-04-21T17:07:18Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-03-18T19:06:27Z)
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。