論文の概要: Towards a Single Unified Model for Effective Detection, Segmentation,
and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans
- arxiv url: http://arxiv.org/abs/2301.12291v1
- Date: Sat, 28 Jan 2023 20:09:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-01-31 18:02:47.719291
- Title: Towards a Single Unified Model for Effective Detection, Segmentation,
and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans
- Title（参考訳）: 大規模なctスキャンを用いた8つの主要癌の検出, 分節化, 診断のための単一統一モデルの構築
- Abstract要約: ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
特定の数のAIモデルを非自明に組み立てて、CTスキャンを読んでいる人の診断プロセスと一致させる必要がある。
- 参考スコア（独自算出の注目度）: 43.912193597081234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human readers or radiologists routinely perform full-body multi-organ
multi-disease detection and diagnosis in clinical practice, while most medical
AI systems are built to focus on single organs with a narrow list of a few
diseases. This might severely limit AI's clinical adoption. A certain number of
AI models need to be assembled non-trivially to match the diagnostic process of
a human reading a CT scan. In this paper, we construct a Unified Tumor
Transformer (UniT) model to detect (tumor existence and location) and diagnose
(tumor characteristics) eight major cancer-prevalent organs in CT scans. UniT
is a query-based Mask Transformer model with the output of multi-organ and
multi-tumor semantic segmentation. We decouple the object queries into organ
queries, detection queries and diagnosis queries, and further establish
hierarchical relationships among the three groups. This clinically-inspired
architecture effectively assists inter- and intra-organ representation learning
of tumors and facilitates the resolution of these complex, anatomically related
multi-organ cancer image reading tasks. UniT is trained end-to-end using a
curated large-scale CT images of 10,042 patients including eight major types of
cancers and occurring non-cancer tumors (all are pathology-confirmed with 3D
tumor masks annotated by radiologists). On the test set of 631 patients, UniT
has demonstrated strong performance under a set of clinically relevant
evaluation metrics, substantially outperforming both multi-organ segmentation
methods and an assembly of eight single-organ expert models in tumor detection,
segmentation, and diagnosis. Such a unified multi-cancer image reading model
(UniT) can significantly reduce the number of false positives produced by
combined multi-system models. This moves one step closer towards a universal
high-performance cancer screening tool.
- Abstract（参考訳）: 人間の読者や放射線科医は臨床でフルボディのマルチディセーゼ検出と診断を日常的に行っているが、ほとんどの医療aiシステムは、いくつかの病気の限られたリストを持つ単一の臓器に焦点を当てるように作られている。
これはAIの臨床的採用を著しく制限する可能性がある。
特定の数のAIモデルを非自明に組み立てて、CTスキャンを読んでいる人の診断プロセスと一致させる必要がある。
本稿では,ctスキャンにおいて腫瘍トランスフォーマ(unit)モデルを構築し,腫瘍の存在と位置を検出し,腫瘍の特徴を診断する。
unitはクエリベースのマスクトランスフォーマーモデルで、マルチオーガンとマルチトゥルータセマンティクスセグメンテーションの出力を持つ。
対象クエリをオルガンクエリ,検出クエリ,診断クエリに分離し,さらに3つのグループ間の階層的関係を確立する。
この臨床的にインスパイアされたアーキテクチャは、腫瘍の組織間および組織内表現学習を効果的に支援し、これらの複雑で解剖学的に関連した多臓器癌画像読取タスクの解決を促進する。
UniTは8種類のがんを含む10,042人の大規模CT画像と非癌腫瘍(いずれも放射線医が注釈を付けた3D腫瘍マスクで診断された)を用いて、エンドツーエンドに訓練されている。
631例の検査群において, 腫瘍検出, 分節, 診断において, 多臓器分節法と8種の単臓器エキスパートモデルにほぼ匹敵する, 臨床的に関連のある評価指標の組において, 高い性能を示した。
このような統合マルチカメラ画像読取モデル(UniT)は、複合マルチシステムモデルによって生成される偽陽性の数を著しく削減することができる。
これは、普遍的な高性能がんスクリーニングツールに一歩近づいた。
関連論文リスト
- Scaling Artificial Intelligence for Multi-Tumor Early Detection with More Reports, Fewer Masks [59.37427210144734]
医療報告における記述に一致する腫瘍をセグメント化するためにAIを訓練するR-Superを紹介する。
101,654のレポートでトレーニングされたAIモデルは、723のマスクでトレーニングされたモデルに匹敵するパフォーマンスを達成した。
R-Superは脾・胆嚢・前立腺・膀胱・子宮・食道の腫瘍の分画を可能にした。
論文 参考訳（メタデータ） (2025-10-16T15:35:44Z) - MMFusion: Multi-modality Diffusion Model for Lymph Node Metastasis Diagnosis in Esophageal Cancer [13.74067035373274]
CT画像に基づくリンパ節転移診断のためのマルチモーダルな不均一グラフに基づく条件付き特徴誘導拡散モデルを提案する。
本稿では, 悪性腫瘍とリンパ節像の関連性, 優先性を明らかにすることを目的として, マスク付き関係表現学習戦略を提案する。
論文 参考訳（メタデータ） (2024-05-15T17:52:00Z) - From Pixel to Cancer: Cellular Automata in Computed Tomography [12.524228287083888]
腫瘍合成は、医療画像に人工腫瘍を作ろうとする。
本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。
我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
論文 参考訳（メタデータ） (2024-03-11T06:46:31Z) - Towards Generalizable Tumor Synthesis [48.45704270448412]
腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。
本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。
私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
論文 参考訳（メタデータ） (2024-02-29T18:57:39Z) - Glioblastoma Tumor Segmentation using an Ensemble of Vision Transformers [0.0]
グリオ芽腫は最も攻撃的で致命的な脳腫瘍の1つである。
Brain Radiology Aided by Intelligent Neural NETworks (BRAINNET) は、堅牢な腫瘍セグメンテーションマスクを生成する。
論文 参考訳（メタデータ） (2023-11-09T18:55:27Z) - Early Detection and Localization of Pancreatic Cancer by Label-Free
Tumor Synthesis [11.86190788916592]
膵癌の早期発見と局所化は、患者の5年間の生存率を8.5%から20%に引き上げることができる。
トレーニングAIモデルには、多数の注釈付きサンプルが必要だが、早期の腫瘍を取得するCTスキャンが利用可能であることには制約がある。
手動のアノテーションを必要とせず, 膵内小膵腫瘍の膨大な例を合成できる腫瘍合成法を開発した。
論文 参考訳（メタデータ） (2023-08-06T03:37:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - MAG-Net: Mutli-task attention guided network for brain tumor
segmentation and classification [0.9176056742068814]
本稿では,MRI画像を用いて脳腫瘍領域の分類と分類を行うマルチタスク注意誘導エンコーダネットワーク(MAG-Net)を提案する。
このモデルは既存の最先端モデルと比較して有望な結果を得た。
論文 参考訳（メタデータ） (2021-07-26T16:51:00Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。