論文の概要: Lesion classification by model-based feature extraction: A differential
affine invariant model of soft tissue elasticity
- arxiv url: http://arxiv.org/abs/2205.14029v1
- Date: Fri, 27 May 2022 14:58:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 15:30:13.953837
- Title: Lesion classification by model-based feature extraction: A differential
affine invariant model of soft tissue elasticity
- Title(参考訳): モデルに基づく特徴抽出による病変分類:軟組織弾性の差分アフィン不変モデル
- Authors: Weiguo Cao, Marc J. Pomeroy, Zhengrong Liang, Yongfeng Gao, Yongyi
Shi, Jiaxing Tan, Fangfang Han, Jing Wang, Jianhua Ma, Hongbin Lu, Almas F.
Abbasi, and Perry J. Pickhardt
- Abstract要約: 軟組織の弾力性は、健康な組織と悪質な組織を区別する特性として広く考えられている。
本稿では,CT画像による弾性のモデリングをモデルベース特徴抽出機械学習(ML)による病変の識別に応用する手法を提案する。
- 参考スコア(独自算出の注目度): 10.863946151790548
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The elasticity of soft tissues has been widely considered as a characteristic
property to differentiate between healthy and vicious tissues and, therefore,
motivated several elasticity imaging modalities, such as Ultrasound
Elastography, Magnetic Resonance Elastography, and Optical Coherence
Elastography. This paper proposes an alternative approach of modeling the
elasticity using Computed Tomography (CT) imaging modality for model-based
feature extraction machine learning (ML) differentiation of lesions. The model
describes a dynamic non-rigid (or elastic) deformation in differential manifold
to mimic the soft tissues elasticity under wave fluctuation in vivo. Based on
the model, three local deformation invariants are constructed by two tensors
defined by the first and second order derivatives from the CT images and used
to generate elastic feature maps after normalization via a novel signal
suppression method. The model-based elastic image features are extracted from
the feature maps and fed to machine learning to perform lesion classifications.
Two pathologically proven image datasets of colon polyps (44 malignant and 43
benign) and lung nodules (46 malignant and 20 benign) were used to evaluate the
proposed model-based lesion classification. The outcomes of this modeling
approach reached the score of area under the curve of the receiver operating
characteristics of 94.2 % for the polyps and 87.4 % for the nodules, resulting
in an average gain of 5 % to 30 % over ten existing state-of-the-art lesion
classification methods. The gains by modeling tissue elasticity for ML
differentiation of lesions are striking, indicating the great potential of
exploring the modeling strategy to other tissue properties for ML
differentiation of lesions.
- Abstract(参考訳): 軟組織の弾性は, 健全な組織と有害な組織を区別する特性として広く考えられており, 超音波エラストグラフィー, 磁気共鳴エラストグラフィ, 光コヒーレンスエラストグラフィーなど, 様々な弾性画像モダリティを動機付けている。
本稿では,CT画像による弾性のモデリングをモデルベース特徴抽出機械学習(ML)による病変の識別に応用する手法を提案する。
本モデルは,生体内の波動変動下での軟組織弾性を模倣するために,微分多様体内の動的非剛性(または弾性)変形を記述する。
このモデルに基づき、ct画像から第1および第2次微分によって定義される2つのテンソルにより3つの局所変形不変量を構築し、新しい信号抑圧法により正規化後の弾性特徴マップを生成する。
モデルに基づく弾性画像特徴を特徴地図から抽出し、機械学習に供給して病変分類を行う。
大腸ポリープ(44例, 良性43例)と肺結節(46例, 良性20例)の2つの病理学的に証明された画像データセットを用いて, モデルに基づく病変分類を行った。
このモデルアプローチの結果、ポリープの94.2 %、結節の87.4 %の受信者の動作特性の曲線下の領域のスコアに達し、既存の10の病変分類法に対して平均利得は5 %から30 %となった。
組織弾性のモデリングによる病変のml分化の促進は目覚ましいものであり、病変のml分化のための他の組織特性へのモデリング戦略を探求する大きな可能性を示している。
関連論文リスト
- Cell Maps Representation For Lung Adenocarcinoma Growth Patterns
Classification In Whole Slide Images [0.6258701460323505]
肺腺癌は, 形態学的に異質な疾患であり, 5つの原発組織学的成長パターンを特徴とする。
組織タイルを5つのパターンの1つまたは非腫瘍の1つに分類できる新しい機械学習パイプラインを提案する。
論文 参考訳(メタデータ) (2023-11-27T14:12:51Z) - Modality Cycles with Masked Conditional Diffusion for Unsupervised
Anomaly Segmentation in MRI [2.5847188023177403]
教師なしの異常セグメンテーションは、トレーニング中に処理されたパターンとは異なるパターンを検出することを目的としている。
本稿では,マルチモーダルMRIにおける様々なパターンにまたがる異常のセグメンテーションを可能にするMMCCD(Masked Modality Cycles with Conditional Diffusion)を提案する。
本稿では,画像再構成とデノナイズに基づく教師なし手法と,オートエンコーダや拡散モデルとの比較を行った。
論文 参考訳(メタデータ) (2023-08-30T17:16:02Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。
その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。
肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文 参考訳(メタデータ) (2022-07-27T23:50:47Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳(メタデータ) (2022-01-05T21:37:43Z) - Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。
DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。
モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文 参考訳(メタデータ) (2021-12-08T15:12:47Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z) - Lesion Mask-based Simultaneous Synthesis of Anatomic and MolecularMR
Images using a GAN [59.60954255038335]
提案するフレームワークは,ストレッチアウトアップサンプリングモジュール,ブレインアトラスエンコーダ,セグメンテーション一貫性モジュール,マルチスケールラベルワイド識別器から構成される。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-26T02:50:09Z)
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。