Fugu-MT 論文翻訳(概要): A Radiogenomics Pipeline for Lung Nodules Segmentation and Prediction of EGFR Mutation Status from CT Scans

論文の概要: A Radiogenomics Pipeline for Lung Nodules Segmentation and Prediction of EGFR Mutation Status from CT Scans

arxiv url: http://arxiv.org/abs/2211.06620v1
Date: Sat, 12 Nov 2022 09:46:42 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 17:13:37.859201
Title: A Radiogenomics Pipeline for Lung Nodules Segmentation and Prediction of EGFR Mutation Status from CT Scans
Title（参考訳）: 肺結節切除のための放射線ゲノムパイプラインとCTスキャンによるEGFR変異の予測
Authors: Ivo Gollini Navarrete, Mohammad Yaqub
Abstract要約: 肺がんは世界中で死因となっている。放射線ゲノミクス(Radiogenomics)は、患者の結果を非侵襲的にモデル化するための医療画像とゲノム機能を組み合わせた新興分野である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Lung cancer is a leading cause of death worldwide. Early-stage detection of lung cancer is essential for a more favorable prognosis. Radiogenomics is an emerging discipline that combines medical imaging and genomics features for modeling patient outcomes non-invasively. This study presents a radiogenomics pipeline that has: 1) a novel mixed architecture (RA-Seg) to segment lung cancer through attention and recurrent blocks; and 2) deep feature classifiers to distinguish Epidermal Growth Factor Receptor (EGFR) mutation status. We evaluate the proposed algorithm on multiple public datasets to assess its generalizability and robustness. We demonstrate how the proposed segmentation and classification methods outperform existing baseline and SOTA approaches (73.54 Dice and 93 F1 scores).
Abstract（参考訳）: 肺がんは世界中で主要な死因である。肺癌の早期発見は、より良好な予後に不可欠である。放射線ゲノミクス(Radiogenomics)は、患者の結果を非侵襲的にモデル化するための医療画像とゲノム機能を組み合わせた新興分野である。この研究は放射性ゲノミクスのパイプラインです 1)注意及び再発ブロックを介して肺がんを分断する新規混合建築(RA-セグ) 2)表皮成長因子受容体(EGFR)変異を識別するための深部特徴分類器。提案アルゴリズムを複数の公開データセット上で評価し,その一般化性とロバスト性を評価する。提案手法は,既存のベースラインおよびsomaアプローチ(73.54 dice,93 f1スコア)よりも優れていることを示す。

関連論文リスト

Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文参考訳（メタデータ） (2024-10-26T11:58:12Z)
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)
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)
An automated end-to-end deep learning-based framework for lung cancer diagnosis by detecting and classifying the lung nodules [0.913755431537592]
本研究の目的は,肺結節の早期発見と分類のためのエンド・ツー・エンド深層学習フレームワークを提案することである。提案するフレームワークは,3次元U-Netを改良した3次元Res-U-Netを用いた肺分画,YOLO-v5を用いた結節検出,Vision Transformerベースのアーキテクチャを用いた分類の3段階からなる。提案したフレームワークは,低リソース環境下での肺癌検診の精度と効率を向上し,患者の予後を向上する可能性がある。
論文参考訳（メタデータ） (2023-04-28T18:55:00Z)
CoNIC Challenge: Pushing the Frontiers of Nuclear Detection, Segmentation, Classification and Counting [46.45578907156356]
我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
論文参考訳（メタデータ） (2023-03-11T01:21:13Z)
SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。現在の肺結節検出法は通常ドメイン固有である。肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文参考訳（メタデータ） (2023-03-07T03:17:49Z)
Differentiable Topology-Preserved Distance Transform for Pulmonary Airway Segmentation [34.22415353209505]
気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。 The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。 The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
論文参考訳（メタデータ） (2022-09-17T15:47:01Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文参考訳（メタデータ） (2021-05-25T12:06:55Z)
Transfer Learning by Cascaded Network to identify and classify lung nodules for cancer detection [3.5068701342301547]
既存の肺結節同定のためのディープラーニングアーキテクチャは、多数のパラメータを持つ複雑なアーキテクチャを用いていた。本研究はCT画像に基づいて良性または悪性の肺結節を正確に分類・分類できるカスケードアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-09-24T10:35:46Z)

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。