論文の概要: Multi-View Attention Learning for Residual Disease Prediction of Ovarian
Cancer
- arxiv url: http://arxiv.org/abs/2306.14646v1
- Date: Mon, 26 Jun 2023 12:31:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 13:35:28.647951
- Title: Multi-View Attention Learning for Residual Disease Prediction of Ovarian
Cancer
- Title(参考訳): 卵巣癌残存疾患予測のための多視点注意学習
- Authors: Xiangneng Gao, Shulan Ruan, Jun Shi, Guoqing Hu, and Wei Wei
- Abstract要約: 残存疾患予測のための新しいマルチビュー注意学習法(MuVAL)を提案する。
本手法は,3次元CT画像の総合的な学習を多視点的に行うことに焦点を当てる。
111人の患者を対象とした実験により,本手法が既存のディープラーニング手法より優れていることが示された。
- 参考スコア(独自算出の注目度): 8.697258566996126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the treatment of ovarian cancer, precise residual disease prediction is
significant for clinical and surgical decision-making. However, traditional
methods are either invasive (e.g., laparoscopy) or time-consuming (e.g., manual
analysis). Recently, deep learning methods make many efforts in automatic
analysis of medical images. Despite the remarkable progress, most of them
underestimated the importance of 3D image information of disease, which might
brings a limited performance for residual disease prediction, especially in
small-scale datasets. To this end, in this paper, we propose a novel Multi-View
Attention Learning (MuVAL) method for residual disease prediction, which
focuses on the comprehensive learning of 3D Computed Tomography (CT) images in
a multi-view manner. Specifically, we first obtain multi-view of 3D CT images
from transverse, coronal and sagittal views. To better represent the image
features in a multi-view manner, we further leverage attention mechanism to
help find the more relevant slices in each view. Extensive experiments on a
dataset of 111 patients show that our method outperforms existing deep-learning
methods.
- Abstract(参考訳): 卵巣癌治療においては, 臨床および外科的意思決定において, 正確な残存病変予測が重要である。
しかし、伝統的な方法は侵襲的(例えば腹腔鏡)か時間的消費(例えば手動分析)である。
近年,深層学習は医療画像の自動解析に多くの努力を払っている。
顕著な進歩にもかかわらず、そのほとんどが疾患の3d画像情報の重要性を過小評価しており、特に小規模データセットにおいて、残留疾患予測のパフォーマンスが限られている可能性がある。
そこで本研究では,3次元CT画像の総合的学習を多視点的に行うことを目的とした,残像予測のための新しいマルチビュー注意学習法を提案する。
具体的には, 横方向, 冠状動脈, 矢状面からの3次元CT画像の多視点画像を得る。
マルチビューで画像の特徴をよりよく表現するために、各ビューのより関連性の高いスライスを見つけるための注意機構をさらに活用する。
111人の患者のデータセットに関する広範囲な実験により,本手法が既存のディープラーニング手法よりも優れていることが示された。
関連論文リスト
- Parkinson's Disease classification Using Contrastive Graph Cross-View
Learning with Multimodal Fusion of SPECT Images and Clinical Features [5.660131312162423]
パーキンソン病(PD)は世界中の何百万もの人に影響を与え、運動に影響を与えている。
以前の研究では、ディープラーニングをPD予測に利用し、主に医療画像に焦点を当て、データの基盤となる多様体構造を無視した。
本研究では,画像特徴と非画像特徴の両方を包含するマルチモーダルアプローチを提案し,PD分類にコントラッシブなクロスビューグラフ融合を利用する。
論文 参考訳(メタデータ) (2023-11-25T02:32:46Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳(メタデータ) (2023-07-24T14:43:07Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳(メタデータ) (2022-03-09T16:58:03Z) - Self-supervised Learning from 100 Million Medical Images [13.958840691105992]
コントラスト学習とオンライン特徴クラスタリングに基づく,リッチな画像特徴の自己教師付き学習手法を提案する。
我々は,X線撮影,CT,MRI,超音波など,様々なモードの医療画像10万枚を超える大規模なトレーニングデータセットを活用している。
本稿では,X線撮影,CT,MRにおける画像評価の課題に対して,この戦略の多くの利点を強調した。
論文 参考訳(メタデータ) (2022-01-04T18:27:04Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳(メタデータ) (2021-12-20T03:38:37Z) - Deep Learning models for benign and malign Ocular Tumor Growth
Estimation [3.1558405181807574]
臨床医はしばしば、医用画像データに適した画像処理アルゴリズムを選択する際に問題に直面している。
ここでは、適切なモデルを選択するための戦略を示す。
論文 参考訳(メタデータ) (2021-07-09T05:40:25Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2021-01-14T01:39:19Z) - 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) - Review on Computer Vision in Gastric Cancer: Potential Efficient Tools
for Diagnosis [0.0]
本総説は,胃癌に対するコンピュータビジョンの進歩に焦点を当てたものである。
データ生成と拡張の異なる方法が提示される。
より正確な診断とタイムリーな治療を支援するため,分類・分節技術について論じる。
論文 参考訳(メタデータ) (2020-05-17T16:14:15Z)
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。