論文の概要: Open-radiomics: A Collection of Standardized Datasets and a Technical
Protocol for Reproducible Radiomics Machine Learning Pipelines
- arxiv url: http://arxiv.org/abs/2207.14776v2
- Date: Tue, 24 Oct 2023 18:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 06:32:04.858930
- Title: Open-radiomics: A Collection of Standardized Datasets and a Technical
Protocol for Reproducible Radiomics Machine Learning Pipelines
- Title（参考訳）: Open-Radiomics: 標準化されたデータセットのコレクションと再生可能放射能機械学習パイプラインの技術プロトコル
- Authors: Khashayar Namdar, Matthias W. Wagner, Birgit B. Ertl-Wagner, Farzad
Khalvati
- Abstract要約: オープンラジオミクス、一連のラジオミクスデータセット、包括的なラジオミクスパイプラインを紹介する。
BraTS 2020オープンソースMR(Magnetic Resonance Imaging)データセットで実験が行われた。
binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: As an important branch of machine learning pipelines in medical
imaging, radiomics faces two major challenges namely reproducibility and
accessibility. In this work, we introduce open-radiomics, a set of radiomics
datasets along with a comprehensive radiomics pipeline based on our proposed
technical protocol to investigate the effects of radiomics feature extraction
on the reproducibility of the results.
Materials and Methods: Experiments are conducted on BraTS 2020 open-source
Magnetic Resonance Imaging (MRI) dataset that includes 369 adult patients with
brain tumors (76 low-grade glioma (LGG), and 293 high-grade glioma (HGG)).
Using PyRadiomics library for LGG vs. HGG classification, 288 radiomics
datasets are formed; the combinations of 4 MRI sequences, 3 binWidths, 6 image
normalization methods, and 4 tumor subregions.
Random Forest classifiers were used, and for each radiomics dataset the
training-validation-test (60%/20%/20%) experiment with different data splits
and model random states was repeated 100 times (28,800 test results) and Area
Under Receiver Operating Characteristic Curve (AUC) was calculated.
Results: Unlike binWidth and image normalization, tumor subregion and imaging
sequence significantly affected performance of the models. T1 contrast-enhanced
sequence and the union of necrotic and the non-enhancing tumor core subregions
resulted in the highest AUCs (average test AUC 0.951, 95% confidence interval
of (0.949, 0.952)). Although 28 settings and data splits yielded test AUC of 1,
they were irreproducible.
Conclusion: Our experiments demonstrate the sources of variability in
radiomics pipelines (e.g., tumor subregion) can have a significant impact on
the results, which may lead to superficial perfect performances that are
irreproducible.
- Abstract（参考訳）: 目的: 医療画像における機械学習パイプラインの重要な分野として、放射能は再現性とアクセシビリティという2つの大きな課題に直面している。
本研究では,放射能特徴抽出が再現性に及ぼす影響を調べるため,提案手法に基づく包括的放射能パイプラインとともに,放射能データセットのセットであるopen-radiomicsを導入する。
材料と方法: 実験はBraTS 2020オープンソースMRI(Magnetic Resonance Imaging)データセットで行われ、369人の成人脳腫瘍患者(低次グリオーマ76例、高次グリオーマ293例)を含む。
lggとhggの分類にpyradiomicsライブラリを使用し、4つのmri配列、3つのbinwidth、6つの画像正規化法、4つの腫瘍サブリージョンの組み合わせからなる288のradiomicsデータセットを形成する。
ランダムフォレスト分類器が使用され、各放射能は異なるデータ分割とモデルランダム状態を用いたトレーニング検証(60%/20%/20%)実験を100回(28,800回)繰り返し、エリアアンダーレシーバー動作特性曲線(AUC)を算出した。
結果:binwidthやimage normalizationと異なり,腫瘍のサブリージョンと画像配列はモデルの性能に大きく影響した。
t1コントラストエンハンス配列とネクロティックと非エンハンス腫瘍コア領域の結合により、最高aucs(平均auc 0.951,95%信頼区間0.949, 0.952)が得られた。
28の設定とデータ分割により1のAUCがテストされた。
結語: この実験は, 放射能パイプライン(例:腫瘍亜領域)の変動源が, 結果に有意な影響を及ぼしうることを示し, 再現不可能な表面的完全性に繋がる可能性がある。
関連論文リスト
- CXR-LLAVA: a multimodal large language model for interpreting chest
X-ray images [3.0757789554622597]
本研究の目的は,胸部X線画像(CXR)を解釈するためのオープンソースのマルチモーダル大言語モデル(CXR-LLAVA)を開発することである。
トレーニングでは,592,580個のCXRを収集し,そのうち374,881個のX線写真異常のラベルが得られた。
主な病理所見に対する診断成績と,ヒト放射線技師による放射線学的報告の受容性について検討した。
論文 参考訳（メタデータ） (2023-10-22T06:22:37Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2023-08-29T17:44:28Z) - Brain Tumor Recurrence vs. Radiation Necrosis Classification and Patient
Survivability Prediction [0.0]
GBMは成人で最もアグレッシブな脳腫瘍であり、手術や放射線治療による攻撃的治療でも生存率が低い。
放射線治療後のGBM患者のMRIの変化は、放射線誘発壊死(RN)または再発脳腫瘍(rBT)の指標である
本研究では, rBT と RN の分類におけるサブセット標本サイズのバランスをとるために, 統計的に厳密な繰り返しランダムサブサンプリングを用いた計算モデルを提案する。
論文 参考訳（メタデータ） (2023-06-05T21:39:11Z) - MRI-based classification of IDH mutation and 1p/19q codeletion status of
gliomas using a 2.5D hybrid multi-task convolutional neural network [0.18374319565577152]
グリオーマにおけるIsocitrate dehydrogenase変異と1p/19q符号欠失は重要な予後マーカーである。
我々の目標は、MRIからこれらの分子変化を非侵襲的に決定する人工知能ベースの手法を開発することであった。
2.5Dハイブリッド畳み込みニューラルネットワークは、腫瘍を同時に局在させ、その分子状態を分類するために提案された。
論文 参考訳（メタデータ） (2022-10-07T18:46:39Z) - Deep Learning for Classification of Thyroid Nodules on Ultrasound:
Validation on an Independent Dataset [7.4674725823899175]
本研究の目的は,新しい甲状腺超音波画像データセットに事前に検証された深層学習アルゴリズムを適用することである。
このアルゴリズムと放射線技師の相対的な性能差は、超音波スキャナーの違いによって大きく影響されない。
論文 参考訳（メタデータ） (2022-07-27T19:45:41Z) - 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$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - Event-based clinical findings extraction from radiology reports with
pre-trained language model [0.22940141855172028]
今回,臨床所見を付加した新しい放射線診断報告のコーパスを報告する。
金の標準コーパスには合計500点の注記CTレポートが含まれていた。
BERTを含む2つの最先端ディープラーニングアーキテクチャを用いて、トリガと引数のエンティティを抽出した。
論文 参考訳（メタデータ） (2021-12-27T05:03:10Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳（メタデータ） (2020-05-14T09:24:48Z) - 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。