論文の概要: Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification
- arxiv url: http://arxiv.org/abs/2307.00479v1
- Date: Sun, 2 Jul 2023 05:26:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 15:43:17.867527
- Title: Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification
- Title(参考訳): 不確かさを意識した前立腺癌分類のための画像間翻訳によるドメイン転送
- Authors: Meng Zhou, Amoon Jamzad, Jason Izard, Alexandre Menard, Robert
Siemens, Parvin Mousavi
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 60.20736568336466
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Prostate Cancer (PCa) is often diagnosed using High-resolution 3.0 Tesla(T)
MRI, which has been widely established in clinics. However, there are still
many medical centers that use 1.5T MRI units in the actual diagnostic process
of PCa. In the past few years, deep learning-based models have been proven to
be efficient on the PCa classification task and can be successfully used to
support radiologists during the diagnostic process. However, training such
models often requires a vast amount of data, and sometimes it is unobtainable
in practice. Additionally, multi-source MRIs can pose challenges due to
cross-domain distribution differences. In this paper, we have presented a novel
approach for unpaired image-to-image translation of prostate mp-MRI for
classifying clinically significant PCa, to be applied in data-constrained
settings. First, we introduce domain transfer, a novel pipeline to translate
unpaired 3.0T multi-parametric prostate MRIs to 1.5T, to increase the number of
training data. Second, we estimate the uncertainty of our models through an
evidential deep learning approach; and leverage the dataset filtering technique
during the training process. Furthermore, we introduce a simple, yet efficient
Evidential Focal Loss that incorporates the focal loss with evidential
uncertainty to train our model. Our experiments demonstrate that the proposed
method significantly improves the Area Under ROC Curve (AUC) by over 20%
compared to the previous work (98.4% vs. 76.2%). We envision that providing
prediction uncertainty to radiologists may help them focus more on uncertain
cases and thus expedite the diagnostic process effectively. Our code is
available at https://github.com/med-i-lab/DT_UE_PCa
- Abstract(参考訳): 前立腺癌(PCa)はしばしば高分解能の3.0 Tesla(T) MRIを用いて診断される。
しかし、PCaの実際の診断プロセスに1.5T MRIユニットを使用する医療センターは、まだたくさんある。
近年,PCa分類作業において深層学習に基づくモデルが効率的であることが証明され,診断過程における放射線技師の支援に成功している。
しかし、そのようなモデルのトレーニングには大量のデータが必要であることが多く、実際は達成できないこともある。
さらに、マルチソースMRIは、ドメイン間の分散の違いによって、課題を提起することができる。
本稿では,臨床上重要なPCaを分類するために,前立腺前立腺MRIのイメージ・ツー・イメージ翻訳を行う新しい手法を提案する。
まず、未ペアの3.0T多パラメータ前立腺MRIを1.5Tに変換する新しいパイプラインであるドメイン転送を導入し、トレーニングデータを増やす。
第2に,我々のモデルの不確かさを明白なディープラーニングアプローチで推定し,トレーニングプロセス中にデータセットフィルタリング技術を活用する。
さらに,モデルの学習に焦点損失と明らかな不確実性が組み合わさった,単純かつ効率的で有意な焦点損失について紹介する。
実験の結果,提案手法は従来の研究(98.4%対76.2%)と比較してAUC(Area Under ROC Curve)を20%以上改善することがわかった。
放射線技師に予測の不確実性を提供することは、不確実性にもっと注力し、診断プロセスの迅速化に役立つと期待する。
私たちのコードはhttps://github.com/med-i-lab/DT_UE_PCaで利用可能です。
関連論文リスト
- Radiomics Boosts Deep Learning Model for IPMN Classification [3.4659499358648675]
膵管内乳頭粘液性腫瘍 (IPMN) の嚢胞は術前膵管病変であり,膵癌に進展する可能性がある。
本研究では,MRIスキャンからIPMNリスク分類のための新しいコンピュータ支援診断パイプラインを提案する。
論文 参考訳(メタデータ) (2023-09-11T22:41:52Z) - Prostate Lesion Estimation using Prostate Masks from Biparametric MRI [0.0]
マルチパラメトリック前立腺MRIの代替としてバイパラメトリックMRIが登場した。
前立腺癌(csPCA)の診断は困難である。
ディープラーニングアルゴリズムはコホート研究において、csPCAを検出する代替ソリューションとして登場した。
論文 参考訳(メタデータ) (2023-01-11T13:20:24Z) - MLC at HECKTOR 2022: The Effect and Importance of Training Data when
Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。
ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文 参考訳(メタデータ) (2022-11-30T09:04:27Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-13T07:10:14Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Self-transfer learning via patches: A prostate cancer triage approach
based on bi-parametric MRI [1.3934382972253603]
前立腺癌(PCa)は世界で2番目に多いがんである。
現在のPCa診断経路は、かなりの過剰診断のコストがかかり、不必要な治療とさらなる検査に繋がる。
臨床的に有意な (cS) 病変と非有意な (ncS) 病変を区別するためのパッチベースの事前訓練戦略を提案する。
論文 参考訳(メタデータ) (2021-07-22T17:02:38Z) - Automatic Assessment of Alzheimer's Disease Diagnosis Based on Deep
Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。
矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。
本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文 参考訳(メタデータ) (2021-05-18T11:37:57Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Distant Domain Transfer Learning for Medical Imaging [14.806736041145964]
医用画像分類のための遠隔ドメイン転送学習(DDTL)手法を提案する。
いくつかの現在の研究では、肺CT(Computed Tomography)画像が迅速かつ正確なCOVID-19診断に使用できることが示されています。
提案手法は,遠隔地から収集したラベルのないデータから容易にアクセスできる。
それは「非転送」アルゴリズムよりも13%高い分類精度である96%の分類精度を達成しました。
論文 参考訳(メタデータ) (2020-12-10T02:53:52Z)
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。