論文の概要: Z-SSMNet: A Zonal-aware Self-Supervised Mesh Network for Prostate Cancer
Detection and Diagnosis in bpMRI
- arxiv url: http://arxiv.org/abs/2212.05808v1
- Date: Mon, 12 Dec 2022 10:08:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-13 17:58:49.892251
- Title: Z-SSMNet: A Zonal-aware Self-Supervised Mesh Network for Prostate Cancer
Detection and Diagnosis in bpMRI
- Title(参考訳): Z-SSMNet:bpMRIにおける前立腺癌の検出と診断のためのゾナル・アウェア・セルフスーパービジョンメッシュネットワーク
- Authors: Yuan Yuan, Euijoon Ahn, Dagan Feng, Mohamad Khadra, Jinman Kim
- Abstract要約: 前立腺癌(PCa)は、男性において最も多いがんの1つであり、世界中の多くの人々が臨床的に重要なPCa(csa)によって死亡した。
バイパラメトリックMRI(bpMRI)におけるcsPCaの早期診断はPCaの精度向上に寄与する。
既存の最先端のAIアルゴリズムは、しばしば3Dボリューム画像のスライス間相関を捉えない2D画像に制限される。
複数2D, 2.5D, 3D CNNを適応的に融合するZ-SSMNetを提案する。
- 参考スコア(独自算出の注目度): 16.950834401030093
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prostate cancer (PCa) is one of the most prevalent cancers in men and many
people around the world die from clinically significant PCa (csPCa). Early
diagnosis of csPCa in bi-parametric MRI (bpMRI), which is non-invasive,
cost-effective, and more efficient compared to multiparametric MRI (mpMRI), can
contribute to precision care for PCa. The rapid rise in artificial intelligence
(AI) algorithms are enabling unprecedented improvements in providing decision
support systems that can aid in csPCa diagnosis and understanding. However,
existing state of the art AI algorithms which are based on deep learning
technology are often limited to 2D images that fails to capture inter-slice
correlations in 3D volumetric images. The use of 3D convolutional neural
networks (CNNs) partly overcomes this limitation, but it does not adapt to the
anisotropy of images, resulting in sub-optimal semantic representation and poor
generalization. Furthermore, due to the limitation of the amount of labelled
data of bpMRI and the difficulty of labelling, existing CNNs are built on
relatively small datasets, leading to a poor performance. To address the
limitations identified above, we propose a new Zonal-aware Self-supervised Mesh
Network (Z-SSMNet) that adaptatively fuses multiple 2D, 2.5D and 3D CNNs to
effectively balance representation for sparse inter-slice information and dense
intra-slice information in bpMRI. A self-supervised learning (SSL) technique is
further introduced to pre-train our network using unlabelled data to learn the
generalizable image features. Furthermore, we constrained our network to
understand the zonal specific domain knowledge to improve the diagnosis
precision of csPCa. Experiments on the PI-CAI Challenge dataset demonstrate our
proposed method achieves better performance for csPCa detection and diagnosis
in bpMRI.
- Abstract(参考訳): 前立腺癌(PCa)は、男性において最も多いがんの1つであり、世界中の多くの人々が臨床的に重要なPCa(csPCa)によって死亡した。
マルチパラメトリックMRI (mpMRI) と比較して非侵襲的, 費用対効果が高く, より効率的であるbi-parametric MRI (bpMRI) におけるcsPCaの早期診断はPCaの精度向上に寄与する。
人工知能(AI)アルゴリズムの急速な増加は、csPCaの診断と理解に役立つ意思決定支援システムの提供において、前例のない改善を可能にしている。
しかし、ディープラーニング技術に基づくAIアルゴリズムの既存の状態は、しばしば3Dボリューム画像のスライス間相関を捉えるのに失敗する2D画像に制限される。
3D畳み込みニューラルネットワーク(CNN)の使用は、この制限を部分的に克服するが、画像の異方性に適応しないため、準最適セマンティック表現や一般化が不足する。
さらに、bpMRIのラベル付きデータの量制限とラベル付けの難しさにより、既存のCNNは比較的小さなデータセット上に構築されており、性能が劣っている。
上記の制約に対処するため,複数2D,2.5D,3DのCNNを適応的に融合させてbpMRIにおけるスパース・インタースライス情報と高密度スライス情報の表現を効果的にバランスさせる,Z-SSMNetを提案する。
自己教師付き学習(ssl)技術がさらに導入され,非ラベルデータを用いてネットワークを事前学習し,一般化可能な画像特徴を学習する。
さらに,cspcaの診断精度を向上させるために,動物特異的ドメイン知識の理解にネットワークを制約した。
pi-caiチャレンジデータセットの実験により、bpmriにおけるcspca検出および診断の性能が向上することを示す。
関連論文リスト
- Machine-agnostic Automated Lumbar MRI Segmentation using a Cascaded Model Based on Generative Neurons [0.22198209072577352]
MRI画像から腰椎椎間板と椎間板を分離する新しい機械診断手法を提案する。
12のスキャナーと34の被験者の画像からなるユニークなデータセットを、戦略的前処理とデータ拡張技術によって強化した。
本モデルとDenseNet121エンコーダの併用により, 腰椎椎間板断面積が83.66%, 感度が91.44%, Dice similarity Coefficient (DSC) が91.03%, 腰椎椎間板断面積が良好であった。
論文 参考訳(メタデータ) (2024-11-23T21:34:29Z) - SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳(メタデータ) (2024-11-14T17:06:00Z) - Lesion-aware network for diabetic retinopathy diagnosis [28.228110579446227]
CNNをベースとした糖尿病網膜症(DR)診断ネットワークを提案する。
提案するLANetは,DR関連情報利用のためのCNNデコーダにLAMとFPMを埋め込んで構成する。
本手法は, DR検診において 0.967 の曲線下領域で本手法より優れており, 全体の平均精度を3つのデータセットで7.6%, 2.1%, 1.2%向上させる。
論文 参考訳(メタデータ) (2024-08-14T03:06:04Z) - 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) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳(メタデータ) (2024-07-02T16:44:00Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Complex-valued Federated Learning with Differential Privacy and MRI Applications [51.34714485616763]
複雑な値を持つガウスのメカニズムを導入し、その振る舞いは$f$-DP、$(varepsilon, delta)$-DP、R'enyi-DPで特徴づけられる。
本稿では,DPと互換性のある複雑なニューラルネットワークプリミティブを提案する。
実験では,実世界の課題に対して,DPを用いた複合数値ニューラルネットワークを訓練することで概念実証を行う。
論文 参考訳(メタデータ) (2021-10-07T14:03:00Z) - DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI
Segmentation [0.0]
本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。
提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
論文 参考訳(メタデータ) (2021-05-17T15:43:59Z) - Encoding Clinical Priori in 3D Convolutional Neural Networks for
Prostate Cancer Detection in bpMRI [1.0312968200748118]
臨床的に有意な前立腺癌(csPCa)の空間的有病率と部位的鑑別を捉える確率的集団を導入した。
U-Net, U-SEResNet, UNet++, Attention U-Netの3次元適応を800の機関的トレーニングバリデーションスキャンを用いて訓練し, 放射線学的に推定されたアノテーションと組み合わせて計算を行った。
病理組織学的に確認されたcsPCaによる200個のbpMRI検査において,臨床先行診断を符号化する方法は,患者による診断を改善する強力な能力を示す。
論文 参考訳(メタデータ) (2020-10-31T13:10:58Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。