論文の概要: Spatio-Temporal Hybrid Fusion of CAE and SWIn Transformers for Lung Cancer Malignancy Prediction

• arxiv url: http://arxiv.org/abs/2210.15297v1
• Date: Thu, 27 Oct 2022 10:07:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 13:46:50.972053
• Title: Spatio-Temporal Hybrid Fusion of CAE and SWIn Transformers for Lung Cancer Malignancy Prediction
• Title（参考訳）: 肺癌悪性度予測のためのCAEとSWIn変換器の時空間ハイブリッド核融合
• Authors: Sadaf Khademi, Shahin Heidarian, Parnian Afshar, Farnoosh Naderkhani, Anastasia Oikonomou, Konstantinos Plataniotis, Arash Mohammadi
• Abstract要約: 本稿では,新しいハイブリッド・ディスカバリ・ラジオミクス・フレームワークを提案する。 非薄い胸部CTスライスから抽出した時間的特徴と空間的特徴を同時に統合する。 肺腺癌(LUAC)の悪性度を最小限に予測する。
• 参考スコア（独自算出の注目度）: 14.7474816215111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The paper proposes a novel hybrid discovery Radiomics framework that simultaneously integrates temporal and spatial features extracted from non-thin chest Computed Tomography (CT) slices to predict Lung Adenocarcinoma (LUAC) malignancy with minimum expert involvement. Lung cancer is the leading cause of mortality from cancer worldwide and has various histologic types, among which LUAC has recently been the most prevalent. LUACs are classified as pre-invasive, minimally invasive, and invasive adenocarcinomas. Timely and accurate knowledge of the lung nodules malignancy leads to a proper treatment plan and reduces the risk of unnecessary or late surgeries. Currently, chest CT scan is the primary imaging modality to assess and predict the invasiveness of LUACs. However, the radiologists' analysis based on CT images is subjective and suffers from a low accuracy compared to the ground truth pathological reviews provided after surgical resections. The proposed hybrid framework, referred to as the CAET-SWin, consists of two parallel paths: (i) The Convolutional Auto-Encoder (CAE) Transformer path that extracts and captures informative features related to inter-slice relations via a modified Transformer architecture, and; (ii) The Shifted Window (SWin) Transformer path, which is a hierarchical vision transformer that extracts nodules' related spatial features from a volumetric CT scan. Extracted temporal (from the CAET-path) and spatial (from the Swin path) are then fused through a fusion path to classify LUACs. Experimental results on our in-house dataset of 114 pathologically proven Sub-Solid Nodules (SSNs) demonstrate that the CAET-SWin significantly improves reliability of the invasiveness prediction task while achieving an accuracy of 82.65%, sensitivity of 83.66%, and specificity of 81.66% using 10-fold cross-validation.
• Abstract（参考訳）: 胸部ct(non-thin chest ct)スライスから抽出された時間的特徴と空間的特徴を同時に統合して肺腺癌(luac)の悪性度を最小の専門的関与で予測する,新しいハイブリッドディスカバリーラジオミックフレームワークを提案する。 肺がんは世界中でがんによる死亡の主な原因であり、様々な組織型があり、LUACは近年最も普及している。 LUACは、前侵襲性、最小侵襲性、および浸潤性腺癌に分類される。 肺結節悪性症の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のリスクを低減する。 現在,胸部CTはLUACの浸潤度を評価し,予測する主要な画像モダリティである。 しかし,CT画像に基づく放射線医の診断は主観的であり,外科的切除後の病態レビューに比べて精度が低い。 提案されたハイブリッドフレームワークはCAET-SWinと呼ばれ、2つの並列パスで構成されている。 一 改良されたトランスフォーマーアーキテクチャにより、スライス間関係に関連する情報的特徴を抽出し、取得する畳み込み自動エンコーダ(CAE)トランスフォーマーパス (ii)シフトウインドウトランス路(シフトウインドウトランスパス)は、ボリュームctスキャンからnodulesの関連する空間的特徴を抽出する階層的視覚トランスフォーマーである。 抽出時間(CAETパスから)と空間(Swinパスから)は融合経路を介して融合してLUACを分類する。 その結果,caet-swinは82.65%の精度,83.66%の感度,10倍のクロスバリデーションを用いて81.66%の特異性を達成し,侵襲性予測タスクの信頼性を著しく向上した。

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)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An Attention-Enhanced Graph Convolutional Network Approach [9.795111455349183]
  肺がんは、特に進行期において、世界中で死因となっている。 本研究は,術前CT画像に基づいて,I期肺癌に高リスク因子が存在するか否かを分類するために,Atention-Enhanced Graph Convolutional Network (AE-GCN)モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-27T04:24:04Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• 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)
• Development and Characterization of a Chest CT Atlas [5.770017830153421]
  肺がん検診プログラムの低用量CTデータベース上に構築した胸部腺腫について検討した。 空間マッピングを実現するため,胸腔全体に対して多段階間非剛性登録パイプラインを最適化する。 異なる解剖学的表現型に対する識別能力の観点から, 開発したアトラスの応用妥当性を評価した。
  論文  参考訳（メタデータ） (2020-12-05T21:20:57Z)
• Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
  胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。 このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。 本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
  論文  参考訳（メタデータ） (2020-10-09T10:15:26Z)
• Lung Segmentation and Nodule Detection in Computed Tomography Scan using a Convolutional Neural Network Trained Adversarially using Turing Test Loss [6.375447757249894]
  肺がんは世界中で最も多く見られるがんであり、死亡率が高い。 悪性腫瘍の症状である結節は、患者のCTスキャンで約0.0125～0.025%の体積を占める。 この問題に対処するために,計算効率の良い2段階フレームワークを提案する。 第1段階では、肺領域のチューリング試験損失セグメントを用いて、畳み込みニューラルネットワーク(CNN)が逆行訓練を行った。 第2段階では、区分けされた領域から採取されたパッチは、結節の存在を検出するために分類される。
  論文  参考訳（メタデータ） (2020-06-16T16:51:53Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。