論文の概要: MLC at HECKTOR 2022: The Effect and Importance of Training Data when
Analyzing Cases of Head and Neck Tumors using Machine Learning
- arxiv url: http://arxiv.org/abs/2211.16834v1
- Date: Wed, 30 Nov 2022 09:04:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 16:40:47.873343
- Title: MLC at HECKTOR 2022: The Effect and Importance of Training Data when
Analyzing Cases of Head and Neck Tumors using Machine Learning
- Title（参考訳）: HECKTOR 2022におけるMLC: 機械学習を用いた頭頸部腫瘍解析におけるトレーニングデータの有効性と意義
- Authors: Vajira Thambawita, Andrea M. Stor{\aa}s, Steven A. Hicks, P{\aa}l
Halvorsen, Michael A. Riegler
- Abstract要約: 本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。
ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
- 参考スコア（独自算出の注目度）: 0.9166327220922845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Head and neck cancers are the fifth most common cancer worldwide, and
recently, analysis of Positron Emission Tomography (PET) and Computed
Tomography (CT) images has been proposed to identify patients with a prognosis.
Even though the results look promising, more research is needed to further
validate and improve the results. This paper presents the work done by team MLC
for the 2022 version of the HECKTOR grand challenge held at MICCAI 2022. For
Task 1, the automatic segmentation task, our approach was, in contrast to
earlier solutions using 3D segmentation, to keep it as simple as possible using
a 2D model, analyzing every slice as a standalone image. In addition, we were
interested in understanding how different modalities influence the results. We
proposed two approaches; one using only the CT scans to make predictions and
another using a combination of the CT and PET scans. For Task 2, the prediction
of recurrence-free survival, we first proposed two approaches, one where we
only use patient data and one where we combined the patient data with
segmentations from the image model. For the prediction of the first two
approaches, we used Random Forest. In our third approach, we combined patient
data and image data using XGBoost. Low kidney function might worsen cancer
prognosis. In this approach, we therefore estimated the kidney function of the
patients and included it as a feature. Overall, we conclude that our simple
methods were not able to compete with the highest-ranking submissions, but we
still obtained reasonably good scores. We also got interesting insights into
how the combination of different modalities can influence the segmentation and
predictions.
- Abstract（参考訳）: 頭頸部癌は世界で5番目に多いがんであり,近年,予後の診断にポジトロン・エミッション・トモグラフィー(PET)とCT(CT)の画像解析が提案されている。
結果は有望に見えるが、結果のさらなる検証と改善にはさらなる研究が必要である。
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対するチームLCによる取り組みについて述べる。
タスク1では,3次元セグメンテーションを用いた従来のソリューションとは対照的に,各スライスをスタンドアローン画像として解析して2次元モデルを用いて可能な限りシンプルに保つことが目的であった。
さらに、異なるモダリティが結果にどのように影響するかを理解することにも興味がありました。
1つはCTスキャンのみを用いて予測を行い、もう1つはCTスキャンとPETスキャンの組み合わせを用いて予測を行った。
第2タスクでは,再発のない生存を予測し,まず患者データのみを使用する方法と,画像モデルからのセグメンテーションとを組み合わせた方法の2つを提案した。
最初の2つのアプローチの予測には、ランダムフォレストを使った。
第3のアプローチでは,XGBoostを用いて患者データと画像データを組み合わせた。
低腎機能は癌の予後を悪化させる可能性がある。
そこで本研究では,患者の腎機能について検討し,その特徴を考察した。
全体としては、私たちの単純な手法は上位の提案と競合することができなかったが、それでも十分良いスコアを得た。
また、異なるモダリティの組み合わせがセグメンテーションや予測にどのように影響するか、興味深い洞察を得た。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Towards Tumour Graph Learning for Survival Prediction in Head & Neck
Cancer Patients [0.0]
2020年に世界で100万人近い頭頸部がんが診断された。
自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。
本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-17T09:32:06Z) - TMSS: An End-to-End Transformer-based Multimodal Network for
Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。
本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T06:22:05Z) - A Novel Mask R-CNN Model to Segment Heterogeneous Brain Tumors through
Image Subtraction [0.0]
画像セグメンテーション(画像セグメンテーション)と呼ばれる放射線学者による手法を用いて機械学習モデルに適用し,より優れたセグメンテーションを証明した。
Mask R-CNNは、RSNA肺炎検出チャレンジデータセットで事前トレーニングされたResNetバックボーンであり、Brats 2020 Brain tumorデータセットでモデルをトレーニングすることができる。
DICE係数(F1スコア)、リコール、未タッチテストセットの精度による画像サブトラクションを伴わないモデルと比較することにより、画像サブトラクションの手法がいかにうまく機能するかを確認できる。
論文 参考訳（メタデータ） (2022-04-04T01:45:11Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳（メタデータ） (2022-03-09T16:58:03Z) - An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using
Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。
提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文 参考訳（メタデータ） (2022-02-25T07:50:59Z) - 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) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳（メタデータ） (2020-10-20T04:30:09Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。