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/2305.00385v2
- Date: Sun, 17 Mar 2024 23:23:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 06:28:31.112871
- 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における臨床上重要な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, 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、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。
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つの同等モデル(Swin U)を著しく上回っていることを示している。
- 参考スコア(独自算出の注目度): 6.930082824262643
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biparametric magnetic resonance imaging (bpMRI) has demonstrated promising results in prostate cancer (PCa) detection using 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 (SSL) utilizes unlabeled data to generate meaningful semantic representations without the need for costly annotations, enhancing model performance on tasks with limited labeled data. 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 pretrain CSwin transformer using multi-task self-supervised learning to improve data-efficiency and network generalizability. We then finetune 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 comparable models (Swin UNETR, DynUNet, Attention UNet, UNet). Using a separate bpMRI dataset with 158 patients, we evaluate our method 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 good generalization to external data.
- Abstract(参考訳): Biparametric magnetic resonance imaging (bpMRI) は、畳み込みニューラルネットワーク(CNN)を用いた前立腺癌(PCa)の検出において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。
大規模なトランスフォーマーは、医用画像の取得が困難である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(SSL)は、ラベル付きデータを使用して、コストのかかるアノテーションを必要とせずに意味のあるセマンティック表現を生成し、ラベル付きデータに制限のあるタスクにおけるモデルパフォーマンスを向上させる。
前立腺バイパラメトリックMR画像(bpMRI)における臨床上重要な前立腺癌(csPCa)を検出するためにCSwin UNetモデル(CSwin Transformer UNet)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、まずマルチタスク自己教師型学習を用いてCSwin変換器を事前訓練し、データ効率とネットワークの一般化性を向上させる。
次に病変アノテーションを用いてcsPCa検出を行う。
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つの同等のモデル(Swin UNETR、DynUNet、Atention UNet、UNet)を著しく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,外部ホールドアウトデータに対するロバスト性を評価した。
CSwin UNet は 0.79 AUC と 0.45 AP を達成しており、他の同等の手法よりも優れており、外部データへの優れた一般化を示している。
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) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳(メタデータ) (2023-10-09T03:00:15Z) - 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) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - 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。