論文の概要: TRUSformer: Improving Prostate Cancer Detection from Micro-Ultrasound Using Attention and Self-Supervision

• arxiv url: http://arxiv.org/abs/2303.02128v1
• Date: Fri, 3 Mar 2023 18:12:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 13:54:19.747651
• Title: TRUSformer: Improving Prostate Cancer Detection from Micro-Ultrasound Using Attention and Self-Supervision
• Title（参考訳）: TRUSformer:注意と自己監督による微小超音波前立腺癌検出の改善
• Authors: Mahdi Gilany, Paul Wilson, Andrea Perera-Ortega, Amoon Jamzad, Minh Nguyen Nhat To, Fahimeh Fooladgar, Brian Wodlinger, Purang Abolmaesumi, Parvin Mousavi
• Abstract要約: 本研究の目的は,複数スケールのROIスケールと生検コアスケールのアプローチによるがん検出の改善である。 我々のモデルはROIスケールのみのモデルと比較して一貫した、実質的なパフォーマンス改善を示している。
• 参考スコア（独自算出の注目度）: 7.503600085603685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A large body of previous machine learning methods for ultrasound-based prostate cancer detection classify small regions of interest (ROIs) of ultrasound signals that lie within a larger needle trace corresponding to a prostate tissue biopsy (called biopsy core). These ROI-scale models suffer from weak labeling as histopathology results available for biopsy cores only approximate the distribution of cancer in the ROIs. ROI-scale models do not take advantage of contextual information that are normally considered by pathologists, i.e. they do not consider information about surrounding tissue and larger-scale trends when identifying cancer. We aim to improve cancer detection by taking a multi-scale, i.e. ROI-scale and biopsy core-scale, approach. Methods: Our multi-scale approach combines (i) an "ROI-scale" model trained using self-supervised learning to extract features from small ROIs and (ii) a "core-scale" transformer model that processes a collection of extracted features from multiple ROIs in the needle trace region to predict the tissue type of the corresponding core. Attention maps, as a byproduct, allow us to localize cancer at the ROI scale. We analyze this method using a dataset of micro-ultrasound acquired from 578 patients who underwent prostate biopsy, and compare our model to baseline models and other large-scale studies in the literature. Results and Conclusions: Our model shows consistent and substantial performance improvements compared to ROI-scale-only models. It achieves 80.3% AUROC, a statistically significant improvement over ROI-scale classification. We also compare our method to large studies on prostate cancer detection, using other imaging modalities. Our code is publicly available at www.github.com/med-i-lab/TRUSFormer
• Abstract（参考訳）: 超音波による前立腺がん検出のための従来の機械学習手法の大部分が、前立腺組織生検(生検コア)に対応する大きな針の跡にある超音波信号の小さな領域(ROI)を分類している。 これらのROIスケールモデルは、生検コアの病理組織学的結果がROI内の癌分布を近似しているため、弱いラベル付けに苦しむ。 ROIスケールモデルは、病理学者によって通常考慮される文脈情報、つまり、周囲の組織に関する情報やがんを識別する際の大規模な傾向を考慮しない。 我々は,roi-scale と biopsy core-scale のアプローチを用いて,がん検出を改善することを目指している。 方法:我々のマルチスケールアプローチは (i)小規模roisの特徴抽出のための自己教師付き学習を用いた「roiスケール」モデル (II)針トレース領域の複数のROIから抽出された特徴の集合を処理し、対応するコアの組織型を予測する「コアスケール」トランスフォーマーモデル。 注意マップは副産物として、ROIスケールでがんを局在させることができる。 本手法は,前立腺生検を施行した578例のマイクロ超音波のデータセットを用いて解析し,本モデルとベースラインモデルおよび他の文献における大規模研究との比較を行った。 結果と結論: このモデルはroiスケールのみのモデルと比較して一貫性があり、実質的な性能改善を示す。 80.3%のAUROCを達成しており、ROIスケールの分類よりも統計的に顕著な改善である。 また,他の画像モダリティを用いた前立腺癌検出法との比較を行った。 私たちのコードはwww.github.com/med-i-lab/TRUSFormerで公開されています

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Benchmarking Image Transformers for Prostate Cancer Detection from Ultrasound Data [3.8208601340697386]
  超音波画像における前立腺癌(PCa)の分類のための深層学習法は、通常、針トレース領域に沿った小さな領域(ROI)におけるがんを検出するために、畳み込みネットワーク(CNN)を用いている。 マルチ・インスタンス・ラーニング(MIL)を用いて複数のROIから癌を検出するために,トランスフォーマーの認識とCNN特徴抽出器を組み合わせることで,この問題を軽減するためのマルチスケールアプローチが提案されている。 本稿では、ROIスケールおよびマルチスケールの分類のための複数の画像トランスフォーマーアーキテクチャについて検討し、超音波による前立腺癌分類のためのCNNとトランスフォーマーの性能の比較を行った。
  論文  参考訳（メタデータ） (2024-03-27T03:39:57Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Enhancing Clinical Support for Breast Cancer with Deep Learning Models using Synthetic Correlated Diffusion Imaging [66.63200823918429]
  深層学習モデルを用いた乳癌に対する臨床支援の強化について検討した。 我々は、体積畳み込みニューラルネットワークを利用して、前処理コホートから深い放射能特徴を学習する。 提案手法は, グレードと処理後応答予測の両方において, より良い性能を実現することができる。
  論文  参考訳（メタデータ） (2022-11-10T03:02:12Z)
• Multiple Instance Neural Networks Based on Sparse Attention for Cancer Detection using T-cell Receptor Sequences [10.199698726118003]
  本稿では,スパースアテンション(MINN-SA)に基づく複数インスタンスニューラルネットワークを提案する。 MINN-SAは10種類の癌で測定された平均値において、ROC曲線(AUC)値が最も高い。
  論文  参考訳（メタデータ） (2022-08-09T03:24:03Z)
• Towards Confident Detection of Prostate Cancer using High Resolution Micro-ultrasound [7.826781688190151]
  経直腸超音波ガイド下生検における前立腺癌の診断は困難である。 マイクロ超音波による高周波超音波イメージングの最近の進歩は、高分解能で組織イメージングの能力を劇的に高めている。 本研究の目的は,マイクロ超音波ガイド下前立腺癌生検を対象とする,堅牢な深層学習モデルの開発である。
  論文  参考訳（メタデータ） (2022-07-21T14:00:00Z)
• Federated Learning with Research Prototypes for Multi-Center MRI-based Detection of Prostate Cancer with Diverse Histopathology [3.8613414331251423]
  前立腺癌検出アルゴリズムのクロスサイトトレーニング,検証,評価のためのフレキシブル・フェデレート・ラーニング・フレームワークを提案する。 前立腺癌の検出と分類の精度は,神経回路モデルと多種多様な前立腺生検データを用いて向上した。 我々はFLtoolsシステムをオープンソースとして公開し、医療画像のための他のディープラーニングプロジェクトに容易に対応できるようにしています。
  論文  参考訳（メタデータ） (2022-06-11T21:28:17Z)
• HoVer-Trans: Anatomy-aware HoVer-Transformer for ROI-free Breast Cancer Diagnosis in Ultrasound Images [20.00255523765042]
  本稿では,乳がん診断のための新しいROIフリーモデルを提案する。 悪性腫瘍と良性腫瘍は異なる組織層間の空間的関係が異なるという解剖学的先行知識を活用する。 提案したHoVer-Transブロックは,水平および垂直に層間および層間空間情報を抽出する。
  論文  参考訳（メタデータ） (2022-05-17T14:11:07Z)
• 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)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• 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。