論文の概要: Re-thinking and Re-labeling LIDC-IDRI for Robust Pulmonary Cancer Prediction

• arxiv url: http://arxiv.org/abs/2207.14238v1
• Date: Thu, 28 Jul 2022 17:18:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-29 12:50:13.619811
• Title: Re-thinking and Re-labeling LIDC-IDRI for Robust Pulmonary Cancer Prediction
• Title（参考訳）: ロバスト肺癌予知のためのLIDC-IDRIの再検討
• Authors: Hanxiao Zhang, Xiao Gu, Minghui Zhang, Weihao Yu, Liang Chen, Zhexin Wang, Feng Yao, Yun Gu and Guang-Zhong Yang
• Abstract要約: LIDC-IDRIデータベースは肺がん予測の最も一般的なベンチマークである。 放射線医による主観評価では、LIDCの結節は病理的根拠の真理とは全く異なる悪性腫瘍のアノテーションを持つ可能性がある。 我々は、この頑健なベンチマークで検証された元のアノテーションバイアスの影響を軽減するために、LIDCデータを再ラベルすることを提案する。
• 参考スコア（独自算出の注目度）: 38.45920460324753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The LIDC-IDRI database is the most popular benchmark for lung cancer prediction. However, with subjective assessment from radiologists, nodules in LIDC may have entirely different malignancy annotations from the pathological ground truth, introducing label assignment errors and subsequent supervision bias during training. The LIDC database thus requires more objective labels for learning-based cancer prediction. Based on an extra small dataset containing 180 nodules diagnosed by pathological examination, we propose to re-label LIDC data to mitigate the effect of original annotation bias verified on this robust benchmark. We demonstrate in this paper that providing new labels by similar nodule retrieval based on metric learning would be an effective re-labeling strategy. Training on these re-labeled LIDC nodules leads to improved model performance, which is enhanced when new labels of uncertain nodules are added. We further infer that re-labeling LIDC is current an expedient way for robust lung cancer prediction while building a large pathological-proven nodule database provides the long-term solution.
• Abstract（参考訳）: LIDC-IDRIデータベースは肺がん予測の最も一般的なベンチマークである。 しかし、放射線科医による主観的評価により、lidcの結節は病的根拠の真理とは全く異なる悪性の注釈を持ち、訓練中にラベルの割り当てエラーとその後の監督バイアスを導入する。 LIDCデータベースは、学習に基づくがん予測のためにより客観的なラベルを必要とする。 病理検査で診断された180個の結節を含む超小型データセットに基づいて,本ベンチマークで検証されたオリジナルアノテーションバイアスの効果を緩和するために,lidcデータを再ラベルする手法を提案する。 本稿では,距離学習に基づく類似の結節検索による新しいラベルの提供が,効果的な再ラベル戦略であることを示す。 これらのリラベルされたLIDCノジュールのトレーニングによりモデル性能が向上し、不確実なノジュールが新たに追加されたときに向上する。 さらに我々は, LIDCの再ラベル付けが, 長期的解決策を提供するとともに, 肺がんの進行予測に有効な方法であることを推測した。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
  子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。 我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。 そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-02-21T13:24:40Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• CIRDataset: A large-scale Dataset for Clinically-Interpretable lung nodule Radiomics and malignancy prediction [4.00916638804083]
  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。
  論文  参考訳（メタデータ） (2022-06-29T20:46:12Z)
• 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)
• Faithful learning with sure data for lung nodule diagnosis [34.55176532924471]
  結節分類を確実にするための協調学習フレームワークを提案する。 損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。
  論文  参考訳（メタデータ） (2022-02-25T06:33:11Z)
• Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
  ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。 本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
  論文  参考訳（メタデータ） (2021-09-17T17:31:25Z)

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。