論文の概要: A Gradient Mapping Guided Explainable Deep Neural Network for
Extracapsular Extension Identification in 3D Head and Neck Cancer Computed
Tomography Images
- arxiv url: http://arxiv.org/abs/2201.00895v1
- Date: Mon, 3 Jan 2022 22:29:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-05 14:01:07.763899
- Title: A Gradient Mapping Guided Explainable Deep Neural Network for
Extracapsular Extension Identification in 3D Head and Neck Cancer Computed
Tomography Images
- Title（参考訳）: 3d頭頸部癌ct画像における頭蓋外拡張同定のための勾配マッピング誘導型深層ニューラルネットワーク
- Authors: Yibin Wang, Abdur Rahman, W. Neil. Duggar, P. Russell Roberts, Toms V.
Thomas, Linkan Bian, Haifeng Wang
- Abstract要約: 頭頸部扁平上皮癌の生存予後の予測因子として,毛細管拡張術が有用である。
現在のECE検出は、放射線技師による視覚的同定と病理診断に依存している。
注釈付きリンパ節領域情報を必要とせず,自動的にECE識別を行うためのGMGENet(Gradient Mapping Guided Explainable Network)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 7.450250213710868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosis and treatment management for head and neck squamous cell carcinoma
(HNSCC) is guided by routine diagnostic head and neck computed tomography (CT)
scans to identify tumor and lymph node features. Extracapsular extension (ECE)
is a strong predictor of patients' survival outcomes with HNSCC. It is
essential to detect the occurrence of ECE as it changes staging and management
for the patients. Current clinical ECE detection relies on visual
identification and pathologic confirmation conducted by radiologists. Machine
learning (ML)-based ECE diagnosis has shown high potential in the recent years.
However, manual annotation of lymph node region is a required data
preprocessing step in most of the current ML-based ECE diagnosis studies. In
addition, this manual annotation process is time-consuming, labor-intensive,
and error-prone. Therefore, in this paper, we propose a Gradient Mapping Guided
Explainable Network (GMGENet) framework to perform ECE identification
automatically without requiring annotated lymph node region information. The
gradient-weighted class activation mapping (Grad-CAM) technique is proposed to
guide the deep learning algorithm to focus on the regions that are highly
related to ECE. Informative volumes of interest (VOIs) are extracted without
labeled lymph node region information. In evaluation, the proposed method is
well-trained and tested using cross validation, achieving test accuracy and AUC
of 90.2% and 91.1%, respectively. The presence or absence of ECE has been
analyzed and correlated with gold standard histopathological findings.
- Abstract（参考訳）: 頭頸部扁平上皮癌(hnscc)の診断と治療管理は、日常的診断頭頸部ctスキャンにより誘導され、腫瘍とリンパ節の特徴を同定する。
上腕骨外伸展(ECE)はHNSCCによる生存率の強い予測因子である。
患者のステージングと管理を変えるため,ECEの発生を検出することが不可欠である。
現在のECE検出は、放射線技師による視覚的同定と病理診断に依存している。
機械学習(ML)に基づくCE診断は近年高い可能性を示している。
しかし、現在のMLベースのECE診断研究の多くにおいて、リンパ節領域のマニュアルアノテーションはデータ前処理のステップである。
さらに、この手動アノテーションプロセスは、時間がかかり、労力が集中し、エラーが発生しやすい。
そこで本稿では,アノテートリンパ節領域情報を必要とせず,eceの自動識別を行うための勾配マッピング誘導説明ネットワーク(gmgenet)フレームワークを提案する。
勾配重み付きクラスアクティベーションマッピング(Grad-CAM)技術は、ディープラーニングアルゴリズムを誘導し、ECEと関連性の高い領域に焦点を合わせるために提案される。
ラベル付きリンパ節領域情報なしで情報量(VOI)を抽出する。
評価では, クロスバリデーションを用いて, 試験精度90.2%, 91.1%のAUCを良好に評価し, 評価を行った。
ECEの有無は, 金の標準病理組織学的所見と相関する。
関連論文リスト
- Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [42.75763279888966]
早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。
提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。
次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
論文 参考訳（メタデータ） (2024-08-09T15:10:34Z) - Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation
classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。
本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文 参考訳（メタデータ） (2024-01-25T14:40:58Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - Whole Slide Multiple Instance Learning for Predicting Axillary Lymph
Node Metastasis [7.5253686571794445]
本稿では,デジタルコアニードル生検(CNB)画像から臨床情報を定量化するためのディープラーニング(DL)分類パイプラインを提案する。
ALNの転移状態の分類において,SOTA (baseline state-of-the-art) DLモデルを用いた1058例のデータセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-10-06T12:01:55Z) - PHE-SICH-CT-IDS: A Benchmark CT Image Dataset for Evaluation Semantic
Segmentation, Object Detection and Radiomic Feature Extraction of
Perihematomal Edema in Spontaneous Intracerebral Hemorrhage [2.602118060856794]
脳内出血は、世界で最も死亡率が高く、予後不良な疾患の1つである。
PHE-SICH-CT-IDSと命名したCTデータセットを,脳内自然出血に用いた。
論文 参考訳（メタデータ） (2023-08-21T07:18:51Z) - Meta-information-aware Dual-path Transformer for Differential Diagnosis
of Multi-type Pancreatic Lesions in Multi-phase CT [41.199716328468895]
膵病変の分類と分節の可能性を活用するために, デュアルパストランスフォーマーを開発した。
提案手法は, CNN-based segmentation path (S-path) と Transformer-based classification path (C-path) から構成される。
以上の結果から,膵病変の完全分類の正確な分類と分類が可能であることが示唆された。
論文 参考訳（メタデータ） (2023-03-02T03:34:28Z) - Identifying Electrocardiogram Abnormalities Using a
Handcrafted-Rule-Enhanced Neural Network [18.859487271034336]
我々は、深層学習に基づく心電図解析に臨床知識を提供するために、畳み込みニューラルネットワークにいくつかのルールを導入する。
我々の新しいアプローチは、既存の最先端の手法をかなり上回っている。
論文 参考訳（メタデータ） (2022-06-16T04:42:57Z) - 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) - A Survey of Applications of Artificial Intelligence for Myocardial
Infarction Disease Diagnosis [0.483999377006747]
心筋梗塞(MID)は未診断冠動脈疾患(CAD)の急速な進展に起因している
MIDは、世界中の中高年者や高齢者において、主要な死因である。
一般に, 電気心電図(ECG)信号は, 疲労, 時間, 費用のかかる臨床医によるMID識別のために検査される。
論文 参考訳（メタデータ） (2021-07-05T15:15:06Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - 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。