論文の概要: Deep learning for brain metastasis detection and segmentation in longitudinal MRI data

• arxiv url: http://arxiv.org/abs/2112.11833v1
• Date: Wed, 22 Dec 2021 12:18:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 16:04:16.701239
• Title: Deep learning for brain metastasis detection and segmentation in longitudinal MRI data
• Title（参考訳）: 縦型mriデータにおける脳転移検出とセグメンテーションのための深層学習
• Authors: Yixing Huang, Christoph Bert, Philipp Sommer, Benjamin Frey, Udo Gaipl, Luitpold V. Distel, Thomas Weissmann, Michael Uder, Manuel A. Schmidt, Arnd D\"orfler, Andrreas Maier, Rainer Fietkau, Florian Putz
• Abstract要約: 脳転移の早期かつ正確な検出は放射線治療の計画と予後に極めて重要である。 深層学習による脳転移検出性能を向上させるため,ボリュームレベルの感度特異性(VSS)と呼ばれるカスタム検出損失を提案する。 高感度モデルと高特異性モデルのアンサンブルにより、患者1人当たりの偽陽性転移は平均1.5に過ぎなかった。
• 参考スコア（独自算出の注目度）: 0.7095099964228881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain metastases occur frequently in patients with metastatic cancer. Early and accurate detection of brain metastases is very essential for treatment planning and prognosis in radiation therapy. To improve brain metastasis detection performance with deep learning, a custom detection loss called volume-level sensitivity-specificity (VSS) is proposed, which rates individual metastasis detection sensitivity and specificity in (sub-)volume levels. As sensitivity and precision are always a trade-off in a metastasis level, either a high sensitivity or a high precision can be achieved by adjusting the weights in the VSS loss without decline in dice score coefficient for segmented metastases. To reduce metastasis-like structures being detected as false positive metastases, a temporal prior volume is proposed as an additional input of the neural network. Our proposed VSS loss improves the sensitivity of brain metastasis detection, increasing the sensitivity from 86.7% to 95.5%. Alternatively, it improves the precision from 68.8% to 97.8%. With the additional temporal prior volume, about 45% of the false positive metastases are reduced in the high sensitivity model and the precision reaches 99.6% for the high specificity model. The mean dice coefficient for all metastases is about 0.81. With the ensemble of the high sensitivity and high specificity models, on average only 1.5 false positive metastases per patient needs further check, while the majority of true positive metastases are confirmed. The ensemble learning is able to distinguish high confidence true positive metastases from metastases candidates that require special expert review or further follow-up, being particularly well-fit to the requirements of expert support in real clinical practice.
• Abstract（参考訳）: 脳転移は転移性癌患者に頻繁に起こる。 脳転移の早期かつ正確な検出は放射線治療の計画と予後に極めて重要である。 深層学習による脳転移検出性能を向上させるために,(サブ)ボリュームレベルの個々の転移検出感度と特異度を評価するVSS(volume-level sensitivity-specificity)と呼ばれるカスタム検出損失を提案する。 感度と精度は常に転移レベルでのトレードオフであるため、分節化転移のサイススコア係数を低下させることなくvss損失の重みを調整することにより、高感度または高精度のいずれかを達成することができる。 偽陽性転移として検出される転移様構造を減らすために、ニューラルネットワークの追加入力として時間的先行体積を提案する。 提案するvss損失は脳転移検出の感度を86.7%から95.5%に向上させる。 また、精度は68.8%から97.8%に向上する。 追加の時間的前容積では、偽陽性転移の約45%が高感度モデルで減少し、精度は高特異度モデルで99.6%に達する。 すべての転移に対する平均サイス係数は約0.81である。 高感度・高特異性モデルの合理化により、患者1人当たりの偽陽性転移は平均1.5例に過ぎず、真陽性転移の大部分は確認される。 アンサンブル学習は、特別な専門家レビューやさらなるフォローアップを必要とする転移候補と高い信頼性の真正の転移を区別することができ、実際の臨床実践における専門家支援の要求に特に適している。

関連論文リスト

• PatchCTG: Patch Cardiotocography Transformer for Antepartum Fetal Health Monitoring [0.0]
  胎児の健康モニタリングにはCTG(Antepartum Cardiotocography)が不可欠である。 Dawes-Redmanシステムのような従来の手法は、しばしば高いサーバ間変数によって制限される。 本稿ではCTG解析に特化して設計されたトランスモデルであるPatchCTGを紹介する。
  論文  参考訳（メタデータ） (2024-11-12T13:46:58Z)
• Exploiting Precision Mapping and Component-Specific Feature Enhancement for Breast Cancer Segmentation and Identification [0.0]
  本稿では, 乳がん病変の分類と同定を改善するために, 精密マッピング機構(PMM)とコンポーネント特異的特徴強調モジュール(CSFEM)を併用したディープラーニングフレームワークを提案する。 以上の結果から,SOTA(State-of-the-art)モデルと比較して,評価指標の大幅な改善が示唆された。
  論文  参考訳（メタデータ） (2024-07-03T06:40:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• An Optimized Ensemble Deep Learning Model For Brain Tumor Classification [3.072340427031969]
  脳腫瘍の不正確な同定は、寿命を著しく低下させる。 本研究は,脳腫瘍を効率よく分類するための伝達学習(TL)を用いた,革新的な最適化に基づく深層アンサンブル手法を提案する。 Xception, ResNet50V2, ResNet152V2, InceptionResNetV2, GAWO, GSWOはそれぞれ99.42%, 98.37%, 98.22%, 98.26%, 99.71%, 99.76%に達した。
  論文  参考訳（メタデータ） (2023-05-22T09:08:59Z)
• Exploiting segmentation labels and representation learning to forecast therapy response of PDAC patients [60.78505216352878]
  化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。 セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。 提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
  論文  参考訳（メタデータ） (2022-11-08T11:50:31Z)
• 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)
• Universal Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
  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。
  論文  参考訳（メタデータ） (2021-11-09T00:11:01Z)
• A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI images [4.263008461907835]
  脳転移性疾患の治療決定は、一次臓器部位癌組織学の知識によって引き起こされる。 臨床全体脳データとエンドツーエンドパイプラインの使用は、外部からの人間の介入を妨げる。 悪性腫瘍の一次臓器部位の正確な診断を可能にするために、脳全体の画像特徴が十分に識別可能であることは確実である。
  論文  参考訳（メタデータ） (2021-10-07T16:10:44Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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)
• 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)

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。