論文の概要: MM-SFENet: Multi-scale Multi-task Localization and Classification of
Bladder Cancer in MRI with Spatial Feature Encoder Network
- arxiv url: http://arxiv.org/abs/2302.11095v1
- Date: Wed, 22 Feb 2023 02:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 16:38:11.351556
- Title: MM-SFENet: Multi-scale Multi-task Localization and Classification of
Bladder Cancer in MRI with Spatial Feature Encoder Network
- Title（参考訳）: MM-SFENet:空間的特徴エンコーダネットワークを用いたMRIにおける膀胱癌のマルチタスク局在と分類
- Authors: Yu Ren, Guoli Wang, Pingping Wang, Kunmeng Liu, Quanjin Liu, Hongfu
Sun, Xiang Li, Benzheng Wei
- Abstract要約: 膀胱癌は一般的な悪性尿路癌であり、その2つの亜型として筋浸潤性および非筋浸潤性である。
本稿では,MRIによる膀胱癌浸潤度の自動同定と分類を実現することを目的とする。
- 参考スコア（独自算出の注目度）: 8.100351518258252
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and Objective: Bladder cancer is a common malignant urinary
carcinoma, with muscle-invasive and non-muscle-invasive as its two major
subtypes. This paper aims to achieve automated bladder cancer invasiveness
localization and classification based on MRI. Method: Different from previous
efforts that segment bladder wall and tumor, we propose a novel end-to-end
multi-scale multi-task spatial feature encoder network (MM-SFENet) for locating
and classifying bladder cancer, according to the classification criteria of the
spatial relationship between the tumor and bladder wall. First, we built a
backbone with residual blocks to distinguish bladder wall and tumor; then, a
spatial feature encoder is designed to encode the multi-level features of the
backbone to learn the criteria. Results: We substitute Smooth-L1 Loss with IoU
Loss for multi-task learning, to improve the accuracy of the classification
task. By testing a total of 1287 MRIs collected from 98 patients at the
hospital, the mAP and IoU are used as the evaluation metrics. The experimental
result could reach 93.34\% and 83.16\% on test set. Conclusions: The
experimental result demonstrates the effectiveness of the proposed MM-SFENet on
the localization and classification of bladder cancer. It may provide an
effective supplementary diagnosis method for bladder cancer staging.
- Abstract（参考訳）: 背景と目的:膀胱癌は一般的な悪性の膀胱癌であり、筋肉浸潤型と非筋肉浸潤型が2つの主要なサブタイプである。
本稿では,MRIによる膀胱癌浸潤度の自動同定と分類を実現することを目的とする。
方法: 膀胱壁と腫瘍を分断する従来の取り組みとは違って, 膀胱癌の位置と分類のための多目的マルチタスク空間特徴エンコーダネットワーク (MM-SFENet) を, 腫瘍と膀胱壁の空間関係の分類基準に基づいて提案した。
まず, 膀胱壁と腫瘍を識別するために, 残ったブロックを付加したバックボーンを構築し, そして, バックボーンのマルチレベル特徴を符号化して基準を学習する空間特徴エンコーダを設計した。
結果: 多タスク学習ではsmooth-l1ロスをiouロスに置き換え,分類作業の精度を向上させる。
98名の患者から収集した合計1287個のmriを検査した結果, 評価指標としてmapとiouを用いた。
実験結果は 93.34\% と 83.16\% に到達した。
結論: 提案したMM-SFENetが膀胱癌の局在と分類に及ぼす影響を実験的に検証した。
膀胱癌ステージングの効果的な補充診断法を提供することができる。
関連論文リスト
- Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation [6.14919256198409]
本稿では,最先端セグメンテーションモデルを統合する深層学習に基づくアンサンブル手法を提案する。
BraTSデータセットに存在する腫瘍の不均一性を考えると、この手法はセグメンテーションモデルの精度と一般化性を高める。
論文 参考訳（メタデータ） (2024-12-05T12:00:00Z) - Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。
我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。
また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
論文 参考訳（メタデータ） (2024-06-14T14:43:59Z) - Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。
本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
論文 参考訳（メタデータ） (2023-09-11T22:41:52Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - 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) - A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor
Analysis using MRI [0.28675177318965034]
磁気共鳴画像(MRI)における脳腫瘍の検出・分類のための2段階深層学習フレームワークの提案
第1フェーズでは、健康な人から腫瘍MRI画像を検出するために、新しい深層化特徴とアンサンブル分類器(DBF-EC)方式が提案されている。
第2段階では, 異なる腫瘍タイプを分類するために, 動的静的特徴とML分類器からなる融合型脳腫瘍分類法が提案されている。
論文 参考訳（メタデータ） (2022-01-14T10:24:47Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - A Novel Self-Learning Framework for Bladder Cancer Grading Using
Histopathological Images [1.244681179922733]
組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。
組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
論文 参考訳（メタデータ） (2021-06-25T11:04:04Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - 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。