論文の概要: Integrating features from lymph node stations for metastatic lymph node detection

• arxiv url: http://arxiv.org/abs/2301.03202v1
• Date: Mon, 9 Jan 2023 08:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 18:13:33.158821
• Title: Integrating features from lymph node stations for metastatic lymph node detection
• Title（参考訳）: 転移リンパ節検出のためのリンパ節ステーションの機能統合
• Authors: Chaoyi Wu, Feng Chang, Xiao Su, Zhihan Wu, Yanfeng Wang, Ling Zhu, Ya Zhang
• Abstract要約: 近年のディープラーニングの進歩を活用して,転移性LNを自動的に検出することが望まれている。 転移性LN診断の際, 放射線科医に重要なレファレンスであるLN局の情報を活用するために, 追加の枝を導入する。 口腔扁平上皮癌(O SCC)患者114例のCT画像を含むデータセットを用いて本法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 21.259023907494395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metastasis on lymph nodes (LNs), the most common way of spread for primary tumor cells, is a sign of increased mortality. However, metastatic LNs are time-consuming and challenging to detect even for professional radiologists due to their small sizes, high sparsity, and ambiguity in appearance. It is desired to leverage recent development in deep learning to automatically detect metastatic LNs. Besides a two-stage detection network, we here introduce an additional branch to leverage information about LN stations, an important reference for radiologists during metastatic LN diagnosis, as supplementary information for metastatic LN detection. The branch targets to solve a closely related task on the LN station level, i.e., classifying whether an LN station contains metastatic LN or not, so as to learn representations for LN stations. Considering that a metastatic LN station is expected to significantly affect the nearby ones, a GCN-based structure is adopted by the branch to model the relationship among different LN stations. At the classification stage of metastatic LN detection, the above learned LN station features, as well as the features reflecting the distance between the LN candidate and the LN stations, are integrated with the LN features. We validate our method on a dataset containing 114 intravenous contrast-enhanced Computed Tomography (CT) images of oral squamous cell carcinoma (OSCC) patients and show that it outperforms several state-of-the-art methods on the mFROC, maxF1, and AUC scores,respectively.
• Abstract（参考訳）: リンパ節転移 (LNs) は原発性腫瘍細胞において最も多い転移であり, 死亡率の増加の兆候である。 しかし、転移性lsnは、小ささ、高いスパース性、外観のあいまいさのため、プロの放射線科医でさえも検出するのが難しく、時間を要する。 近年のディープラーニングの発展を活用して,転移性LNを自動的に検出することが望まれている。 2段階検出ネットワークの他に,転移性LN検出のための補助情報として,転移性LN診断における放射線技師にとって重要なレファレンスであるLN局の情報を活用するための追加ブランチを導入する。 分岐はLN局レベルで密接に関連するタスク、すなわちLN局が転移性LNを含むか否かを分類し、LN局の表現を学ぶことを目的としている。 転移性LN局が近接するLN局に大きく影響することが期待されることから,各LN局間の関係をモデル化するためにGCNをベースとした構造が採用されている。 転移性LN検出の分類段階では、上記の学習されたLN局の特徴に加えて、LN候補とLNステーションの距離を反映する特徴をLN特徴に統合する。 口腔扁平上皮癌(oscc)患者の114例の造影ct(intravenous contrast-enhanced ct)画像を含むデータセット上で,本法がmfroc,maxf1,aucスコアの最先端法を上回っていることを示す。

関連論文リスト

• Effective Lymph Nodes Detection in CT Scans Using Location Debiased Query Selection and Contrastive Query Representation in Transformer [9.693078559346688]
  我々はLN-DETRと呼ばれる新しいLN検出TRansformerを提案し、より正確な性能を実現する。 マルチスケール2.5D機能融合による2Dバックボーンの強化により,LNクエリの表現品質向上に大きく貢献する。 本手法は, 内部試験と外部試験の両方において, 同一のFPレートでの4-5%平均リコールにより, 先行手法の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-04-04T22:31:15Z)
• Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station Stratification [26.37655039085294]
  リンパ節 (LN) は体中に散在する小さな腺である。 異なる局におけるCT画像の出現とLNのコンテキストは, 自動検出の課題として大きく異なる。 駅情報を活用することでLN検出性能を向上させるための新しいエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-28T02:41:41Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging [22.57399272278884]
  そこで本研究では,LNの転移状況予測タスクを容易化するために,完全自動LNセグメンテーションと識別ネットワークを提案する。 関連臓器や血管から注意マップを誘導することにより,膵LN位置の解剖学的背景を解明する。 腫瘍領域から抽出したLNの分類・同定と深部画像特徴を併用したLN転移状況予測ネットワークを開発した。
  論文  参考訳（メタデータ） (2023-01-04T05:14:31Z)
• 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)
• Nearest Neighbor Knowledge Distillation for Neural Machine Translation [50.0624778757462]
  k-nearest-neighbor machine translation (NN-MT) は機械翻訳タスクにおける最先端の結果の多くを達成している。 NN-KDはベースNMTモデルをトレーニングし、NNの知識を直接学習する。
  論文  参考訳（メタデータ） (2022-05-01T14:30:49Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Lymph Node Gross Tumor Volume Detection in Oncology Imaging via Relationship Learning Using Graph Neural Network [37.88742249495087]
  我々は,真のGTV$_LN$を検出するために,LN外見とLN間関係学習フレームワークを提案する。 提案手法は,最新技術(SOTA)LN分類法をF1スコアで5.5%,13.1%で大幅に改善する。
  論文  参考訳（メタデータ） (2020-08-29T16:59:23Z)
• Optimal Rates for Averaged Stochastic Gradient Descent under Neural Tangent Kernel Regime [50.510421854168065]
  平均勾配勾配勾配は極小収束率が得られることを示す。 本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
  論文  参考訳（メタデータ） (2020-06-22T14:31:37Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。