論文の概要: 2D and 3D CT Radiomic Features Performance Comparison in
Characterization of Gastric Cancer: A Multi-center Study
- arxiv url: http://arxiv.org/abs/2210.16640v1
- Date: Sat, 29 Oct 2022 16:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:49:52.272871
- Title: 2D and 3D CT Radiomic Features Performance Comparison in
Characterization of Gastric Cancer: A Multi-center Study
- Title（参考訳）: 2次元ctと3次元ctによる胃癌の特徴比較:多施設共同研究
- Authors: Lingwei Meng, Di Dong, Xin Chen, Mengjie Fang, Rongpin Wang, Jing Li,
Zaiyi Liu, Jie Tian
- Abstract要約: 胃癌(GC)における2次元および3次元放射線特徴の表現と識別能力の比較を行った。
2次元放射能特性で構築されたモデルでは、GCを特徴付ける3次元特徴で構築されたモデルと同等の性能を示した。
- 参考スコア（独自算出の注目度）: 11.015650919856117
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Radiomics, an emerging tool for medical image analysis, is
potential towards precisely characterizing gastric cancer (GC). Whether using
one-slice 2D annotation or whole-volume 3D annotation remains a long-time
debate, especially for heterogeneous GC. We comprehensively compared 2D and 3D
radiomic features' representation and discrimination capacity regarding GC, via
three tasks.
Methods: Four-center 539 GC patients were retrospectively enrolled and
divided into the training and validation cohorts. From 2D or 3D regions of
interest (ROIs) annotated by radiologists, radiomic features were extracted
respectively. Feature selection and model construction procedures were customed
for each combination of two modalities (2D or 3D) and three tasks.
Subsequently, six machine learning models (Model_2D^LNM, Model_3D^LNM;
Model_2D^LVI, Model_3D^LVI; Model_2D^pT, Model_3D^pT) were derived and
evaluated to reflect modalities' performances in characterizing GC.
Furthermore, we performed an auxiliary experiment to assess modalities'
performances when resampling spacing is different.
Results: Regarding three tasks, the yielded areas under the curve (AUCs)
were: Model_2D^LNM's 0.712 (95% confidence interval, 0.613-0.811),
Model_3D^LNM's 0.680 (0.584-0.775); Model_2D^LVI's 0.677 (0.595-0.761),
Model_3D^LVI's 0.615 (0.528-0.703); Model_2D^pT's 0.840 (0.779-0.901),
Model_3D^pT's 0.813 (0.747-0.879). Moreover, the auxiliary experiment indicated
that Models_2D are statistically more advantageous than Models3D with different
resampling spacings.
Conclusion: Models constructed with 2D radiomic features revealed comparable
performances with those constructed with 3D features in characterizing GC.
Significance: Our work indicated that time-saving 2D annotation would be the
better choice in GC, and provided a related reference to further
radiomics-based researches.
- Abstract（参考訳）: 目的: 医用画像解析の新しいツールである放射線は胃癌(gc)を正確に特徴付ける可能性がある。
ワンスライス2Dアノテーションや全ボリューム3Dアノテーションを使うことは、特に異種GCについては、長年にわたる議論である。
3つのタスクを通して,gcに関する2次元および3次元放射能特徴の表現と識別能力を包括的に比較した。
方法: 4センターの539人のgc患者を振り返りに登録し,トレーニングと検証コホートに分けた。
放射線医が注釈した2D領域および3D領域(ROI)から放射線学的特徴を抽出した。
特徴選択とモデル構築手順は、2つのモード(2Dまたは3D)と3つのタスクの組み合わせごとにカスタマイズされた。
その後,6つの機械学習モデル (Model_2D^LNM, Model_3D^LNM, Model_2D^LVI, Model_3D^LVI, Model_2D^pT, Model_3D^pT) を導出し,GCの特性評価を行った。
さらに,再サンプリング間隔が異なる場合のモダリティ性能を評価するための補助実験を行った。
結果: 曲線 (AUCs) 下の収率領域は, Model_2D^LNM の 0.712 (95%信頼区間, 0.613-0.811), Model_3D^LNM の 0.680 (0.584-0.775), Model_2D^LVI の 0.677 (0.595-0.761), Model_3D^LVI の 0.615 (0.528-0.703), Model_2D^pT の 0.840 (0.779-0.901), Model_3D^pT の 0.813 (0.747-0.879) である。
さらに, 補助実験により, モデル2dは, 異なる再サンプリング間隔を持つモデル3dよりも統計的に有利であることが示された。
結論: 2次元放射能特性を持つモデルでは,gcを特徴付ける3次元特徴を持つモデルと同等の性能を示した。
意義:我々の研究は、時間節約の2dアノテーションがgcのより良い選択であると示し、さらなる放射線工学に基づく研究に関連した参考文献を提供した。
関連論文リスト
- Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳（メタデータ） (2024-11-24T12:11:11Z) - 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。
パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
論文 参考訳（メタデータ） (2024-09-28T12:31:07Z) - 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks [0.0]
本研究はパーキンソン病の診断にConvolutional Kolmogorov-Arnold Networks(ConvKANs)を適用した。
ConvKANは、構造MRIを用いたPD分類のために、学習可能なアクティベーション機能を畳み込み層に統合する。
医用画像用ConvKANの最初の3D実装について紹介し、その性能を畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)と比較した。
これらの知見は, PD検出に対するConvKANsの可能性を強調し, 脳の微妙な変化を捉える上での3D解析の重要性を強調し, データセット間の一般化の課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-07-24T16:04:18Z) - propnet: Propagating 2D Annotation to 3D Segmentation for Gastric Tumors
on CT Scans [16.135854257728337]
本研究は,3次元腫瘍セグメンテーションの課題に対処するために,人間の誘導した知識とユニークなモジュールを利用したモデルを提案する。
98件の患者スキャンと30件のバリデーションを行い,手作業によるアノテーション(約0.803)との相当な一致を実現し,効率を向上する。
論文 参考訳（メタデータ） (2023-05-29T03:24:02Z) - Evaluating the Effectiveness of 2D and 3D Features for Predicting Tumor
Response to Chemotherapy [0.9709939410473847]
2Dと3Dの腫瘍の特徴は、様々な医療画像解析タスクで広く利用されている。
化学療法反応予測では, 異なる種類の2D特徴と3D特徴の相互効果は包括的に評価されない。
論文 参考訳（メタデータ） (2023-03-28T16:44:43Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳（メタデータ） (2022-04-02T03:48:03Z) - Classification of Brain Tumours in MR Images using Deep Spatiospatial
Models [0.0]
本稿では、ResNet (2+1)DとResNet Mixed Convolutionの2つの時間モデルを用いて、異なるタイプの脳腫瘍を分類する。
両モデルとも純粋な3次元畳み込みモデルであるResNet18よりも優れていた。
論文 参考訳（メタデータ） (2021-05-28T19:27:51Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z)
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。