論文の概要: CIRDataset: A large-scale Dataset for Clinically-Interpretable lung
nodule Radiomics and malignancy prediction
- arxiv url: http://arxiv.org/abs/2206.14903v1
- Date: Wed, 29 Jun 2022 20:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-01 15:22:07.825831
- Title: CIRDataset: A large-scale Dataset for Clinically-Interpretable lung
nodule Radiomics and malignancy prediction
- Title（参考訳）: CIRDataset: 臨床的に解釈可能な肺結節放射能と悪性度予測のための大規模データセット
- Authors: Wookjin Choi, Navdeep Dahiya, Saad Nadeem
- Abstract要約: 肺結節の表面の鋭く曲がりくねったスパイクは、肺がんの悪性度を予測できる。
SOTA悪性度予測アルゴリズムにおけるこれらの臨床的に報告された特徴の重要性を調査するための公開データセットは今のところ存在しない。
CIRDatasetは,QA/QCによる画像解析/ロブレーションアノテーション956点を含む大規模臨床応用放射線学データセットである。
- 参考スコア（独自算出の注目度）: 4.00916638804083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spiculations/lobulations, sharp/curved spikes on the surface of lung nodules,
are good predictors of lung cancer malignancy and hence, are routinely assessed
and reported by radiologists as part of the standardized Lung-RADS clinical
scoring criteria. Given the 3D geometry of the nodule and 2D slice-by-slice
assessment by radiologists, manual spiculation/lobulation annotation is a
tedious task and thus no public datasets exist to date for probing the
importance of these clinically-reported features in the SOTA malignancy
prediction algorithms. As part of this paper, we release a large-scale
Clinically-Interpretable Radiomics Dataset, CIRDataset, containing 956
radiologist QA/QC'ed spiculation/lobulation annotations on segmented lung
nodules from two public datasets, LIDC-IDRI (N=883) and LUNGx (N=73). We also
present an end-to-end deep learning model based on multi-class Voxel2Mesh
extension to segment nodules (while preserving spikes), classify spikes
(sharp/spiculation and curved/lobulation), and perform malignancy prediction.
Previous methods have performed malignancy prediction for LIDC and LUNGx
datasets but without robust attribution to any clinically reported/actionable
features (due to known hyperparameter sensitivity issues with general
attribution schemes). With the release of this comprehensively-annotated
CIRDataset and end-to-end deep learning baseline, we hope that malignancy
prediction methods can validate their explanations, benchmark against our
baseline, and provide clinically-actionable insights. Dataset, code, pretrained
models, and docker containers are available at
https://github.com/nadeemlab/CIR.
- Abstract（参考訳）: 肺結節表面の急激で曲がりくねったスパイクは肺がんの悪性度の予測に優れており、標準化されたLung-RADS臨床評価基準の一部として、放射線技師によって定期的に評価され報告される。
放射線技師による結節の3次元形状と2次元スライス・バイ・スライス評価を考えると、手動によるスライス・ロブレーションアノテーションは面倒な作業であり、SOTA悪性度予測アルゴリズムにおけるこれらの臨床的に報告された特徴の重要性を検証するための公開データセットは今のところ存在しない。
本論文では, LIDC-IDRI (N=883) と LUNGx (N=73) の2つのパブリックデータセットから, 956 個のラジオロジスト QA/QC'ed piculation/lobulation アノテーションを含むCIRDataset を作成した。
また,マルチクラスvoxel2mesh拡張に基づくエンドツーエンドディープラーニングモデル(スパイクを保存しながら)を提案し,スパイクの分類(シャープ/スピレーションとカーブ/ロブレーション)を行い,悪性度予測を行う。
LIDCおよびLUNGxデータセットの悪性度予測を行ったが、臨床報告・作用可能な特徴(一般的な属性スキームによる既知のハイパーパラメータ感度の問題により)に頑健な寄与は得られなかった。
この包括的アノテーション付きCIRDatasetとエンドツーエンドのディープラーニングベースラインのリリースにより、悪性度予測手法が彼らの説明を検証し、ベースラインに対してベンチマークを行い、臨床的に作用可能な洞察を提供できることを期待する。
データセット、コード、事前訓練されたモデル、およびdockerコンテナはhttps://github.com/nadeemlab/CIR.orgで入手できる。
関連論文リスト
- Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - A Lung Nodule Dataset with Histopathology-based Cancer Type Annotation [12.617587827105496]
本研究は,医療診断用データセットと信頼性ツールを提供することにより,このギャップを埋めることを目的としている。
330個の注記結節(結節は束縛箱とラベル付けされている)を95名の別患者から抽出し,CT画像の多彩なデータセットを収集した。
これらの有望な結果は、データセットが実現可能であり、さらにインテリジェントな補助診断を容易にすることを証明している。
論文 参考訳（メタデータ） (2024-06-26T06:39:11Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。
提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。
本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
論文 参考訳（メタデータ） (2023-07-19T05:41:14Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。
本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文 参考訳（メタデータ） (2022-03-30T18:40:36Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Learning Tumor Growth via Follow-Up Volume Prediction for Lung Nodules [15.069141581681016]
フォローアップは肺癌の肺結節管理において重要な役割を担っている。
結節の悪性度を予測するために畳み込みニューラルネットワーク(CNN)を用いた最近のディープラーニング研究は、臨床医にブラックボックス予測を提供するのみである。
我々は,高品質な視覚的外観を持つ肺結節の成長を予測し,正確な定量化を行うNodule Follow-Up Prediction Network (NoFoNet) という統合フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-24T17:18:46Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。