論文の概要: A Cascaded Approach for ultraly High Performance Lesion Detection and
False Positive Removal in Liver CT Scans
- arxiv url: http://arxiv.org/abs/2306.16036v1
- Date: Wed, 28 Jun 2023 09:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 14:53:43.354846
- Title: A Cascaded Approach for ultraly High Performance Lesion Detection and
False Positive Removal in Liver CT Scans
- Title（参考訳）: 肝ct画像における超高能率病変検出と偽陽性除去のためのカスケード法
- Authors: Fakai Wang, Chi-Tung Cheng, Chien-Wei Peng, Ke Yan, Min Wu, Le Lu,
Chien-Hung Liao, and Ling Zhang
- Abstract要約: 肝臓がんは世界中で高い死亡率と死亡率を持っている。
CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。
本研究では,多相CT画像のためのマルチオブジェクトラベリングツールをカスタマイズする。
- 参考スコア（独自算出の注目度）: 15.352636778576171
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Liver cancer has high morbidity and mortality rates in the world. Multi-phase
CT is a main medical imaging modality for detecting/identifying and diagnosing
liver tumors. Automatically detecting and classifying liver lesions in CT
images have the potential to improve the clinical workflow. This task remains
challenging due to liver lesions' large variations in size, appearance, image
contrast, and the complexities of tumor types or subtypes. In this work, we
customize a multi-object labeling tool for multi-phase CT images, which is used
to curate a large-scale dataset containing 1,631 patients with four-phase CT
images, multi-organ masks, and multi-lesion (six major types of liver lesions
confirmed by pathology) masks. We develop a two-stage liver lesion detection
pipeline, where the high-sensitivity detecting algorithms in the first stage
discover as many lesion proposals as possible, and the lesion-reclassification
algorithms in the second stage remove as many false alarms as possible. The
multi-sensitivity lesion detection algorithm maximizes the information
utilization of the individual probability maps of segmentation, and the
lesion-shuffle augmentation effectively explores the texture contrast between
lesions and the liver. Independently tested on 331 patient cases, the proposed
model achieves high sensitivity and specificity for malignancy classification
in the multi-phase contrast-enhanced CT (99.2%, 97.1%, diagnosis setting) and
in the noncontrast CT (97.3%, 95.7%, screening setting).
- Abstract（参考訳）: 肝臓がんは世界中で高い死亡率と死亡率を持っている。
多相CTは肝腫瘍の検出・診断のための主要な医用画像モダリティである。
CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。
この課題は, 肝病変の大きさ, 外観, 画像コントラスト, 腫瘍タイプやサブタイプの複雑さの多様さにより, 依然として困難である。
本研究は,4相CT画像,多臓器マスク,多発病変(病理検査で確認された6種類の肝病変)を含む大規模データセットをキュレートするために,多段階CT画像のための多目的ラベリングツールをカスタマイズする。
2段階の肝病変検出パイプラインを開発し,第1段階の高感度検出アルゴリズムは可能な限り多くの病変を発見でき,第2段階の病変再分類アルゴリズムは可能な限り多くの誤報を除去する。
多感性病変検出アルゴリズムはセグメント化の個々の確率マップの情報利用を最大化し、病変拡大は病変と肝臓のテクスチャコントラストを効果的に探索する。
331例で個別に検査し, マルチフェーズ造影CT(99.2%, 97.1%, 診断設定)および非コントラストCT(97.3%, 95.7%, スクリーニング設定)における悪性度分類の感度と特異性を得た。
関連論文リスト
- Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient
Network [37.931408083443074]
Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。
PLANは95%と96%の患者レベルの感度と特異性を達成している。
造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
論文 参考訳（メタデータ） (2023-07-17T06:21:45Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Robust Weakly Supervised Learning for COVID-19 Recognition Using
Multi-Center CT Images [8.207602203708799]
重症急性呼吸器症候群ウイルス2(SARS-CoV-2)による新型コロナウイルス感染症2019(COVID-19)
異なる病院にあるCTスキャナの様々な技術的仕様のため、CT画像の出現は、多くの自動画像認識アプローチの失敗に繋がる。
新型コロナウイルスのCTスキャン認識モデル、すなわち新型コロナウイルス情報融合診断ネットワーク(CIFD-Net)を提案する。
本モデルでは,CTスキャン画像の外観の相違を,他の最先端手法と比較して精度が高く,確実かつ効率的に解決することができる。
論文 参考訳（メタデータ） (2021-12-09T15:22:03Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文 参考訳（メタデータ） (2021-02-24T04:09:39Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - 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) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z)
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。