論文の概要: Cross-Shaped Windows Transformer with Self-supervised Pretraining for
Clinically Significant Prostate Cancer Detection in Bi-parametric MRI
- arxiv url: http://arxiv.org/abs/2305.00385v1
- Date: Sun, 30 Apr 2023 04:40:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-02 15:35:10.783803
- Title: Cross-Shaped Windows Transformer with Self-supervised Pretraining for
Clinically Significant Prostate Cancer Detection in Bi-parametric MRI
- Title(参考訳): Bi-parametric MRIにおける前立腺癌検出のための自己教師付きWindowsトランス
- Authors: Yuheng Li, Jacob Wynne, Jing Wang, Richard L.J. Qiu, Justin Roper,
Shaoyan Pan, Ashesh B. Jani, Tian Liu, Pretesh R. Patel, Hui Mao and Xiaofeng
Yang
- Abstract要約: 前立腺癌 (bpMRI) における臨床的に重要な前立腺癌 (csPCa) を検出するために, CSwin 変圧器 UNet モデル (CSwin 変圧器 UNet モデル) を導入した。
1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて,マルチタスク自己教師型学習を用いてCSwinトランスフォーマーをトレーニングし,データ効率とネットワークの一般化性を向上させる。
CSwin UNet が 0.888 AUC と 0.545 Average Precision (AP) を達成したことの5倍の検証結果が得られた。
- 参考スコア(独自算出の注目度): 4.514671509677161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiparametric magnetic resonance imaging (mpMRI) has demonstrated promising
results in prostate cancer (PCa) detection using deep convolutional neural
networks (CNNs). Recently, transformers have achieved competitive performance
compared to CNNs in computer vision. Large-scale transformers need abundant
annotated data for training, which are difficult to obtain in medical imaging.
Self-supervised learning can effectively leverage unlabeled data to extract
useful semantic representations without annotation and its associated costs.
This can improve model performance on downstream tasks with limited labelled
data and increase generalizability. We introduce a novel end-to-end
Cross-Shaped windows (CSwin) transformer UNet model, CSwin UNet, to detect
clinically significant prostate cancer (csPCa) in prostate bi-parametric MR
imaging (bpMRI) and demonstrate the effectiveness of our proposed
self-supervised pre-training framework. Using a large prostate bpMRI dataset
with 1500 patients, we first pre-train CSwin transformer using multi-task
self-supervised learning to improve data-efficiency and network
generalizability. We then finetuned using lesion annotations to perform csPCa
detection. Five-fold cross validation shows that self-supervised CSwin UNet
achieves 0.888 AUC and 0.545 Average Precision (AP), significantly
outperforming four state-of-the-art models (Swin UNETR, DynUNet, Attention
UNet, UNet). Using a separate bpMRI dataset with 158 patients, we evaluated our
model robustness to external hold-out data. Self-supervised CSwin UNet achieves
0.79 AUC and 0.45 AP, still outperforming all other comparable methods and
demonstrating generalization to a dataset shift.
- Abstract(参考訳): 深部畳み込みニューラルネット(CNN)を用いた前立腺癌(PCa)の検出において,MRI(Multiparametric magnetic resonance imaging)が有望な結果を示した。
近年,コンピュータビジョンにおけるCNNと比較して競争性能が向上している。
大規模トランスフォーマーは、医用画像の取得が困難なトレーニングのために、豊富な注釈付きデータを必要とする。
自己教師付き学習は、ラベルのないデータを効果的に活用し、アノテーションや関連するコストなしで有用な意味表現を抽出することができる。
これにより、ラベル付きデータを限定して下流タスクのモデル性能を改善し、一般化性を高めることができる。
今回我々は,前立腺バイパラメトリックmri (bpmri) における臨床的に有意な前立腺癌 (cspca) を検出するために,新しいエンド・ツー・エンドのクロス・エンド・トランスフォーマー (cswin) トランスフォーマー unet モデル (cswin unet) を導入し,提案手法の有効性を実証した。
1500人の患者を対象とした大規模前立腺bpMRIデータセットを用いて,マルチタスク自己教師型学習を用いてCSwinトランスフォーマーをトレーニングし,データ効率とネットワーク一般化性を向上させる。
csPCa検出のために病変アノテーションを用いて微調整を行った。
5倍のクロスバリデーションは、自己教師型CSwin UNetが0.888 AUCと0.545 Average Precision(AP)を達成し、4つの最先端モデル(Swin UNETR、DynUNet、Atention UNet、UNet)を大幅に上回っていることを示している。
158例の別個のbpMRIデータセットを用いて,外的ホールドアウトデータに対するモデルロバスト性を評価した。
CSwin UNet は 0.79 AUC と 0.45 AP を達成し、他の同等のメソッドよりも優れ、データセットシフトへの一般化を実証している。
関連論文リスト
- MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳(メタデータ) (2024-02-19T02:31:36Z) - OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for
Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。
本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。
AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文 参考訳(メタデータ) (2024-01-22T20:17:14Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳(メタデータ) (2023-07-10T09:49:30Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳(メタデータ) (2023-05-30T08:24:01Z) - Fully transformer-based biomarker prediction from colorectal cancer
histology: a large-scale multicentric study [1.0424274317527076]
ディープラーニングは、大腸癌の定期的な病態スライドから予測的および予後的バイオマーカーを抽出することができる。
トランスフォーマーネットワークはCNNよりも優れており、多くのアプリケーションで置き換えられているが、がんにおけるバイオマーカーの予測には使われていない。
本研究では,病的スライドからエンド・ツー・エンドのバイオマーカーを予測するための完全トランスフォーマーベースのパイプラインを開発した。
論文 参考訳(メタデータ) (2023-01-23T18:33:38Z) - Predicting microsatellite instability and key biomarkers in colorectal
cancer from H&E-stained images: Achieving SOTA with Less Data using Swin
Transformer [3.6695403836792493]
シフトウインドウ(Swin-T)を用いた大腸癌バイオマーカーの効率的なワークフローを開発した。
Swin-Tは小さなトレーニングデータセットを使用して極めて効率的で、200-500のトレーニングサンプルだけで堅牢な予測性能を示す。
これらのデータは、Swin-Tが現在のMSIの最先端アルゴリズムよりも5~10倍効率が高いことを示している。
論文 参考訳(メタデータ) (2022-08-22T02:32:30Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳(メタデータ) (2021-11-23T18:59:08Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - A Comprehensive Study of Data Augmentation Strategies for Prostate
Cancer Detection in Diffusion-weighted MRI using Convolutional Neural
Networks [9.554833667156913]
217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。
前立腺癌検出の精度に及ぼす各方法の影響について検討した。
浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
論文 参考訳(メタデータ) (2020-06-01T14:31:38Z)
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。