論文の概要: Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2209.08423v1
- Date: Sat, 17 Sep 2022 23:06:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 16:42:47.894071
- Title: Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks
- Title(参考訳): 適応畳み込みニューラルネットワークを用いた外科切除肺腫瘍の自動分節化と再発リスク予測
- Authors: Marguerite B. Basta, Sarfaraz Hussein, Hsiang Hsu, and Flavio P.
Calmon
- Abstract要約: 肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
- 参考スコア(独自算出の注目度): 3.5413688566798096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer is the leading cause of cancer related mortality by a significant
margin. While new technologies, such as image segmentation, have been paramount
to improved detection and earlier diagnoses, there are still significant
challenges in treating the disease. In particular, despite an increased number
of curative resections, many postoperative patients still develop recurrent
lesions. Consequently, there is a significant need for prognostic tools that
can more accurately predict a patient's risk for recurrence.
In this paper, we explore the use of convolutional neural networks (CNNs) for
the segmentation and recurrence risk prediction of lung tumors that are present
in preoperative computed tomography (CT) images. First, expanding upon recent
progress in medical image segmentation, a residual U-Net is used to localize
and characterize each nodule. Then, the identified tumors are passed to a
second CNN for recurrence risk prediction. The system's final results are
produced with a random forest classifier that synthesizes the predictions of
the second network with clinical attributes. The segmentation stage uses the
LIDC-IDRI dataset and achieves a dice score of 70.3%. The recurrence risk stage
uses the NLST dataset from the National Cancer institute and achieves an AUC of
73.0%. Our proposed framework demonstrates that first, automated nodule
segmentation methods can generalize to enable pipelines for a wide range of
multitask systems and second, that deep learning and image processing have the
potential to improve current prognostic tools. To the best of our knowledge, it
is the first fully automated segmentation and recurrence risk prediction
system.
- Abstract(参考訳): 肺がんは、がんに関連した死亡率のかなりの割合を占める主要な原因である。
画像セグメンテーションなどの新しい技術は、検出と早期診断の改善に最重要であるが、この病気の治療には依然として大きな課題がある。
特に, 術後に再発性病変を発症する症例は多いが, 再発例が多い。
その結果、患者の再発リスクをより正確に予測できる予後ツールが求められている。
本稿では,術前ct画像における肺腫瘍の分節化と再発リスク予測のための畳み込みニューラルネットワーク(cnns)の利用について検討する。
まず, 医用画像セグメンテーションの進展に伴い, 残存するU-Netを用いて各結節の局在と特徴付けを行う。
そして、同定された腫瘍を第2のCNNに渡して再発リスク予測を行う。
システムの最終結果は、第2ネットワークの予測を臨床属性で合成するランダムな森林分類器を用いて生成される。
セグメンテーションステージはLIDC-IDRIデータセットを使用し、ダイススコアは70.3%に達する。
再発リスクステージは、国立がん研究所のNLSTデータセットを使用し、73.0%のAUCを達成する。
提案するフレームワークは,まず,様々なマルチタスクシステムにおけるパイプラインの実現を一般化し,次に,ディープラーニングと画像処理が現在の予測ツールを改善する可能性を秘めている。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
関連論文リスト
- Brain Tumor Segmentation (BraTS) Challenge 2024: Meningioma Radiotherapy Planning Automated Segmentation [47.119513326344126]
BraTS-MEN-RTの課題は、脳MRIを計画する放射線治療の最大のマルチ機関データセットを使用して、自動セグメンテーションアルゴリズムを進化させることである。
それぞれの症例には、3D後T1強調放射線治療計画MRIがネイティブな取得スペースに含まれている。
ターゲットボリュームアノテーションは、確立された放射線治療計画プロトコルに準拠している。
論文 参考訳(メタデータ) (2024-05-28T17:25:43Z) - An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。
疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
論文 参考訳(メタデータ) (2024-05-03T09:02:17Z) - Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳(メタデータ) (2023-11-30T15:11:03Z) - Segmentation of glioblastomas in early post-operative multi-modal MRI
with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。
最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。
予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文 参考訳(メタデータ) (2023-04-18T10:14:45Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳(メタデータ) (2023-04-11T02:45:38Z) - Recurrence-free Survival Prediction under the Guidance of Automatic
Gross Tumor Volume Segmentation for Head and Neck Cancers [8.598790229614071]
自動原発性腫瘍 (GTVp) とリンパ節郭清法 (GTVn) を開発した。
腫瘍の分節体積から放射能の特徴を抽出し,RFS予測モデルを構築した。
論文 参考訳(メタデータ) (2022-09-22T18:44:57Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - DeepPrognosis: Preoperative Prediction of Pancreatic Cancer Survival and
Surgical Margin via Contrast-Enhanced CT Imaging [26.162788846435365]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
3D Contrast-Enhanced Convolutional Long Short-Term Memory Network (CE-ConvLSTM) と命名されたPDAC患者の生存予測のための新しいディープニューラルネットワークを提案する。
腫瘍切除マージンに関連する特徴を学習し,生存率予測を改善することにより,予後とマージン予測の両課題を達成できるマルチタスクCNNを提案する。
論文 参考訳(メタデータ) (2020-08-26T22:51:24Z) - 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) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。