論文の概要: Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction like Radiologists

• arxiv url: http://arxiv.org/abs/2307.10824v1
• Date: Thu, 20 Jul 2023 12:38:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 13:10:36.816060
• Title: Parse and Recall: Towards Accurate Lung Nodule Malignancy Prediction like Radiologists
• Title（参考訳）: Parseとリコール:放射線医のような正確な肺結節悪性度予測を目指して
• Authors: Jianpeng Zhang, Xianghua Ye, Jianfeng Zhang, Yuxing Tang, Minfeng Xu, Jianfei Guo, Xin Chen, Zaiyi Liu, Jingren Zhou, Le Lu, Ling Zhang
• Abstract要約: 肺がんは世界中で主要な死因であり、早期検診は生存率の向上に不可欠である。 臨床的には、結節の文脈構造と放射線医の蓄積した経験は良性結節と悪性結節の同定の正確性に関連する2つの中核要素である。 本稿では,無線研究者の診断過程をシミュレートする手法を提案する。
• 参考スコア（独自算出の注目度）: 39.907916342786564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lung cancer is a leading cause of death worldwide and early screening is critical for improving survival outcomes. In clinical practice, the contextual structure of nodules and the accumulated experience of radiologists are the two core elements related to the accuracy of identification of benign and malignant nodules. Contextual information provides comprehensive information about nodules such as location, shape, and peripheral vessels, and experienced radiologists can search for clues from previous cases as a reference to enrich the basis of decision-making. In this paper, we propose a radiologist-inspired method to simulate the diagnostic process of radiologists, which is composed of context parsing and prototype recalling modules. The context parsing module first segments the context structure of nodules and then aggregates contextual information for a more comprehensive understanding of the nodule. The prototype recalling module utilizes prototype-based learning to condense previously learned cases as prototypes for comparative analysis, which is updated online in a momentum way during training. Building on the two modules, our method leverages both the intrinsic characteristics of the nodules and the external knowledge accumulated from other nodules to achieve a sound diagnosis. To meet the needs of both low-dose and noncontrast screening, we collect a large-scale dataset of 12,852 and 4,029 nodules from low-dose and noncontrast CTs respectively, each with pathology- or follow-up-confirmed labels. Experiments on several datasets demonstrate that our method achieves advanced screening performance on both low-dose and noncontrast scenarios.
• Abstract（参考訳）: 肺がんは世界中で主要な死因であり、早期検診は生存率の向上に不可欠である。 臨床的には、結節の文脈構造と放射線医の蓄積した経験は良性および悪性結節の同定の正確性に関連する2つの中核要素である。 文脈情報は、位置、形状、周辺血管などの結節に関する包括的な情報を提供し、経験豊富な放射線科医は、意思決定の基礎を強化するために、以前の事例から手がかりを探すことができる。 本稿では,放射線科医の診断過程をシミュレートする放射線科医にインスパイアされた手法を提案する。 コンテキスト解析モジュールはまず、結節のコンテキスト構造をセグメント化し、その後、結節のより包括的な理解のためにコンテキスト情報を集約する。 プロトタイプリコールモジュールは、プロトタイプベースの学習を利用して、以前に学んだケースを比較分析のプロトタイプとして凝縮する。 この2つのモジュールを基盤として, 結節の固有特性と他の結節から蓄積された外部知識を併用し, 音響診断を行う。 低用量と非用量の両方のニーズを満たすため,低用量および非用量CTからそれぞれ12,852ノジュールと4,029ノジュールの大規模データセットを収集し,それぞれに病理診断と追跡確認を行った。 提案手法は,低線量および非コントラストの両方のシナリオにおいて,高度なスクリーニング性能を実現することを示す。

関連論文リスト

• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Controllable Chest X-Ray Report Generation from Longitudinal Representations [13.151444796296868]
  レポートをスピードアップする1つの戦略は、自動レポートシステムを統合することである。 自動放射線診断への従来のアプローチは、入力として事前の研究を提供していないのが一般的である。 筆者らは,(1) 縦断学習 -- マルチモーダルレポート生成モデルに提供可能な関節長手表現に,現在のスキャン情報と先行スキャン情報を整合し,活用する手法を提案する。(2) 文解剖学的ドロップアウト -- レポート生成モデルを用いて,入力として与えられた解剖学的領域のサブセットに対応する元のレポートからのみ文を予測する訓練戦略。
  論文  参考訳（メタデータ） (2023-10-09T17:22:58Z)
• Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
  X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。 画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
  論文  参考訳（メタデータ） (2023-05-26T07:12:35Z)
• Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
  本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。 より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。 コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
  論文  参考訳（メタデータ） (2022-10-15T14:05:03Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Differentiable Multi-Agent Actor-Critic for Multi-Step Radiology Report Summarization [5.234281904315526]
  放射線医学報告のIpressionIONSセクションは、放射線技師の推論と結論の要約である。 放射線学レポートの要約に関する以前の研究は、単一段階のエンドツーエンドモデルに焦点が当てられていた。 抽出的要約と抽象的要約という2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-03-15T21:18:09Z)
• Faithful learning with sure data for lung nodule diagnosis [34.55176532924471]
  結節分類を確実にするための協調学習フレームワークを提案する。 損失関数は,ノード分割マップに規制された解釈可能性制約を導入することで,信頼性の高い特徴を学習するように設計されている。
  論文  参考訳（メタデータ） (2022-02-25T06:33:11Z)
• Learning Semi-Structured Representations of Radiology Reports [10.134080761449093]
  放射線学レポートのコーパスを考えると、研究者は特定の医学的発見を説明するレポートのサブセットを見つけることにしばしば興味を持っている。 最近の研究では、ラジオロジーレポートにおける自由文文を、限られた語彙から取られた半構造化語列にマッピングする提案がなされている。 本稿では,放射線学報告の半構造化表現の自動生成手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T18:53:41Z)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• Nodule2vec: a 3D Deep Learning System for Pulmonary Nodule Retrieval Using Semantic Representation [1.7403133838762446]
  肺結節の3次元像をCTスキャンから低次元埋め込みベクトルに変換する深層学習システムを提案する。 このようなベクトル表現は、結節に関する意味情報を保存し、コンテンツベース画像検索(CBIR)に実行可能なアプローチを提供することを示す。 医師とアルゴリズムのスコアを比較すると、このシステムが無線技師のエンドユーザに提供する利点は、第2の放射線技師の意見に匹敵するものであることが示唆されている。
  論文  参考訳（メタデータ） (2020-07-11T16:26:16Z)

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。