論文の概要: Universal Lymph Node Detection in T2 MRI using Neural Networks
- arxiv url: http://arxiv.org/abs/2204.00622v1
- Date: Thu, 31 Mar 2022 18:52:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 08:01:02.246717
- Title: Universal Lymph Node Detection in T2 MRI using Neural Networks
- Title（参考訳）: ニューラルネットワークを用いたT2MRIにおけるユニバーサルリンパ節検出
- Authors: Tejas Sudharshan Mathai, Sungwon Lee, Thomas C. Shen, Zhiyong Lu and
Ronald M. Summers
- Abstract要約: T2 Magnetic Resonance Imaging (MRI) における転移を疑う腹部リンパ節の同定は, 増殖性疾患の進行に重要である。
LN検出の以前の研究は、単一のMRスライスで身体の特定の解剖学的領域(骨盤、直腸)に限られていた。
本研究では,ニューラルネットワークを用いた容積T2MRIにおける腹部LNを普遍的に同定するCADパイプラインを提案する。
- 参考スコア（独自算出の注目度）: 9.256201343701251
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Identification of abdominal Lymph Nodes (LN) that are suspicious for
metastasis in T2 Magnetic Resonance Imaging (MRI) scans is critical for staging
of lymphoproliferative diseases. Prior work on LN detection has been limited to
specific anatomical regions of the body (pelvis, rectum) in single MR slices.
Therefore, the development of a universal approach to detect LN in full T2 MRI
volumes is highly desirable.
Methods: In this study, a Computer Aided Detection (CAD) pipeline to
universally identify abdominal LN in volumetric T2 MRI using neural networks is
proposed. First, we trained various neural network models for detecting LN:
Faster RCNN with and without Hard Negative Example Mining (HNEM), FCOS,
FoveaBox, VFNet, and Detection Transformer (DETR). Next, we show that the
state-of-the-art (SOTA) VFNet model with Adaptive Training Sample Selection
(ATSS) outperforms Faster RCNN with HNEM. Finally, we ensembled models that
surpassed a 45% mAP threshold. We found that the VFNet model and one-stage
model ensemble can be interchangeably used in the CAD pipeline.
Results: Experiments on 122 test T2 MRI volumes revealed that VFNet achieved
a 51.1% mAP and 78.7% recall at 4 false positives (FP) per volume, while the
one-stage model ensemble achieved a mAP of 52.3% and sensitivity of 78.7% at
4FP.
Conclusion: Our contribution is a CAD pipeline that detects LN in T2 MRI
volumes, resulting in a sensitivity improvement of $\sim$14 points over the
current SOTA method for LN detection (sensitivity of 78.7% at 4 FP vs. 64.6% at
5 FP per volume).
- Abstract（参考訳）: 目的:T2 Magnetic Resonance Imaging (MRI) における転移を疑う腹部リンパ節の同定は, 増殖性疾患の進行に重要である。
LN検出の以前の研究は、単一のMRスライスで身体の特定の解剖学的領域(骨盤、直腸)に限られていた。
したがって,フルT2MRIボリュームにおけるLN検出の普遍的手法の開発が望まれる。
方法:本研究では,ニューラルネットワークを用いたボリュームT2 MRIの腹部LNを普遍的に同定するCADパイプラインを提案する。
まず,LNを検出するために,高速RCNN,HNEM(Hard Negative Example Mining),FCOS,FoveaBox,VFNet,検出変換器(DETR)などのニューラルネットワークモデルを訓練した。
次に,適応トレーニングサンプル選択(ATSS)を用いた最先端(SOTA)VFNetモデルが,HNEMを用いた高速RCNNより優れていることを示す。
最後に、45%のmapしきい値を超えたモデルをアンサンブルした。
VFNetモデルとワンステージモデルアンサンブルはCADパイプラインで相互に使用できることがわかった。
結果:122回のT2 MRI実験の結果,VFNetは51.1%のmAP,78.7%のリコールを4つの偽陽性(FP)で達成し,一方,1段モデルのアンサンブルは52.3%,78.7%の感度を4FPで達成した。
結論:我々の貢献は,T2MRIボリューム中のLNを検出するCADパイプラインであり,現在のSOTA法よりも$\sim$14の感度向上を実現している(4FPでは78.7%,5FPでは64.6%)。
関連論文リスト
- Rotational Augmented Noise2Inverse for Low-dose Computed Tomography
Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。
畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。
数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文 参考訳（メタデータ） (2023-12-19T22:40:51Z) - Comprehensive Evaluation and Insights into the Use of Deep Neural Networks to Detect and Quantify Lymphoma Lesions in PET/CT Images [1.0163751283616151]
本研究はPET/CT画像からの悪性リンパ腫病変の分節に対する4つのニューラルネットワークアーキテクチャの包括的評価を行う。
内部試験では、SegResNetが中心的なDice類似度係数(DSC)が0.76、中心的な偽陽性量(FPV)が4.55mlであった。
TMTV範囲の145例( [0.10, 2480] ml)では、SegResNetは21.46 mlのDSCとFPVを達成し、UNetは0.41 mlのFNVを得た。
論文 参考訳（メタデータ） (2023-11-16T06:58:46Z) - Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station
Stratification [26.37655039085294]
リンパ節 (LN) は体中に散在する小さな腺である。
異なる局におけるCT画像の出現とLNのコンテキストは, 自動検出の課題として大きく異なる。
駅情報を活用することでLN検出性能を向上させるための新しいエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-28T02:41:41Z) - Deep Learning Based Detection of Enlarged Perivascular Spaces on Brain
MRI [3.427418283795734]
本研究では,拡大した末梢血管空間(ePVS)の深部学習に基づく検出のためのMRI(MRI)の最適組み合わせを見出すことを目的とした。
我々は,ePVS検出に適応した有効軽量U-Netを実装し,SWI,FLAIR,T1-weighted (T1w) およびT2-weighted (T2w) MRIの様々な組み合わせについて検討した。
我々はT2w MRIがePVSの正確な検出に最も重要であり,SWI,FLAIR,FLAIRが組み込まれていると結論付けた。
論文 参考訳（メタデータ） (2022-09-27T22:35:41Z) - Lymph Node Detection in T2 MRI with Transformers [16.67902664405201]
そこで本研究では,T2 MRIスキャンにおける不審な転移リンパ節の局所化にDetection TRansformer (DETR) ネットワークを用いることを提案する。
われわれはT2 MRIにおけるリンパ節検出の現状を改善した。
論文 参考訳（メタデータ） (2021-11-09T00:06:27Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳（メタデータ） (2021-01-19T03:04:09Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - Deep Learning Estimation of Multi-Tissue Constrained Spherical
Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。
2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。
繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
論文 参考訳（メタデータ） (2020-02-20T15:59:03Z)
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。