論文の概要: 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis
- arxiv url: http://arxiv.org/abs/2207.13830v1
- Date: Wed, 27 Jul 2022 23:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-29 13:04:30.775242
- Title: 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis
- Title（参考訳）: 肺結節悪性腫瘍診断のための3d-morphomics, ctスキャンの形態学的特徴
- Authors: Elias Munoz, Pierre Baudot, Van-Khoa Le, Charles Voyton, Benjamin
Renoust, Danny Francis, Vladimir Groza, Jean-Christophe Brisset, Ezequiel
Geremia, Antoine Iannessi, Yan Liu, Benoit Huet
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.728543774561405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathologies systematically induce morphological changes, thus providing a
major but yet insufficiently quantified source of observables for diagnosis.
The study develops a predictive model of the pathological states based on
morphological features (3D-morphomics) on Computed Tomography (CT) volumes. A
complete workflow for mesh extraction and simplification of an organ's surface
is developed, and coupled with an automatic extraction of morphological
features given by the distribution of mean curvature and mesh energy. An
XGBoost supervised classifier is then trained and tested on the 3D-morphomics
to predict the pathological states. This framework is applied to the prediction
of the malignancy of lung's nodules. On a subset of NLST database with
malignancy confirmed biopsy, using 3D-morphomics only, the classification model
of lung nodules into malignant vs. benign achieves 0.964 of AUC. Three other
sets of classical features are trained and tested, (1) clinical relevant
features gives an AUC of 0.58, (2) 111 radiomics gives an AUC of 0.976, (3)
radiologist ground truth (GT) containing the nodule size, attenuation and
spiculation qualitative annotations gives an AUC of 0.979. We also test the
Brock model and obtain an AUC of 0.826. Combining 3D-morphomics and radiomics
features achieves state-of-the-art results with an AUC of 0.978 where the
3D-morphomics have some of the highest predictive powers. As a validation on a
public independent cohort, models are applied to the LIDC dataset, the
3D-morphomics achieves an AUC of 0.906 and the 3D-morphomics+radiomics achieves
an AUC of 0.958, which ranks second in the challenge among deep models. It
establishes the curvature distributions as efficient features for predicting
lung nodule malignancy and a new method that can be applied directly to
arbitrary computer aided diagnosis task.
- Abstract（参考訳）: 病理組織は形態学的変化を系統的に誘発し、診断のための主要な、しかし不十分に定量化された可観測物の源を提供する。
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。
臓器表面のメッシュ抽出と単純化のための完全なワークフローを開発し、平均曲率とメッシュエネルギーの分布によって与えられる形態的特徴の自動抽出と組み合わせた。
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。
この枠組みは肺結節の悪性度の予測に応用される。
悪性腫瘍と診断されたnlstデータベースのサブセットでは,3d-morphomicsのみを用いて肺結節の悪性と良性への分類モデルは0.964。
その他の古典的特徴の3つのセットが訓練され、(1)臨床に関連のある特徴は、AUCが0.58、(2)111、放射線医が0.976、(3)、結節の大きさ、減衰、および画像的定性アノテーションを含むAUCが0.979である。
また、brockモデルをテストし、0.826のaucを得る。
3d-morphomics と radiomics features を組み合わせることで、0.978の auc と最先端の結果が得られる。
公共の独立コホート上での検証として、モデルはLIDCデータセットに適用され、3D形態素は0.906のAUCを、3D形態素+ラジオミクスは0.958のAUCを達成する。
肺結節悪性度を予測するための効率的な特徴として曲率分布を確立し、任意のコンピュータ支援診断タスクに直接適用可能な新しい方法を提案する。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Weakly Supervised AI for Efficient Analysis of 3D Pathology Samples [6.381153836752796]
3次元組織画像処理のためのボリュームブロック解析(MAMBA)のためのModality-Agnostic Multiple Case Learningを提案する。
3Dブロックベースのアプローチでは、MAMBAは2Dの単一スライスによる予測よりも優れた受信特性曲線(AUC)の0.86と0.74の領域を達成している。
さらに, 組織体積が大きくなることで予後が向上し, サンプリングバイアスによるリスク予測のばらつきが軽減されることが示唆された。
論文 参考訳（メタデータ） (2023-07-27T14:48:02Z) - A Data Augmentation Method and the Embedding Mechanism for Detection and
Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。
肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-02T13:58:45Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - Domain-specific transfer learning in the automated scoring of
tumor-stroma ratio from histopathological images of colorectal cancer [1.2264932946286657]
腫瘍-ストローマ比 (TSR) は多くの種類の固形腫瘍の予後因子である。
この方法は、大腸癌組織を分類するために訓練された畳み込みニューラルネットワークに基づいている。
論文 参考訳（メタデータ） (2022-12-30T12:27:27Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - CAE-Transformer: Transformer-based Model to Predict Invasiveness of Lung
Adenocarcinoma Subsolid Nodules from Non-thin Section 3D CT Scans [36.093580055848186]
肺腺癌(LAUC)は近年最も多い疾患である。
肺結節の侵襲性に関するタイムリーかつ正確な知識は適切な治療計画をもたらし、不必要な手術や遅発手術のリスクを低減させる。
LAUCの浸潤度を評価し,予測するための主要な画像モダリティは胸部CTである。
本稿では、LAUCを分類するために、予測トランスフォーマーベースのフレームワーク「CAE-Transformer」を開発した。
論文 参考訳（メタデータ） (2021-10-17T04:37:24Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳（メタデータ） (2021-04-07T01:15:06Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。