Fugu-MT 論文翻訳(概要): Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station Stratification

論文の概要: Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station Stratification

arxiv url: http://arxiv.org/abs/2307.15271v1
Date: Fri, 28 Jul 2023 02:41:41 GMT
ステータス: 処理完了
システム内更新日: 2023-07-31 13:51:27.934091
Title: Anatomy-Aware Lymph Node Detection in Chest CT using Implicit Station Stratification
Title（参考訳）: Implicit Station Stratification を用いた胸部CTの解剖学的リンパ節検出
Authors: Ke Yan, Dakai Jin, Dazhou Guo, Minfeng Xu, Na Shen, Xian-Sheng Hua, Xianghua Ye, Le Lu
Abstract要約: リンパ節 (LN) は体中に散在する小さな腺である。異なる局におけるCT画像の出現とLNのコンテキストは, 自動検出の課題として大きく異なる。駅情報を活用することでLN検出性能を向上させるための新しいエンドツーエンドフレームワークを提案する。
参考スコア（独自算出の注目度）: 26.37655039085294
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Finding abnormal lymph nodes in radiological images is highly important for various medical tasks such as cancer metastasis staging and radiotherapy planning. Lymph nodes (LNs) are small glands scattered throughout the body. They are grouped or defined to various LN stations according to their anatomical locations. The CT imaging appearance and context of LNs in different stations vary significantly, posing challenges for automated detection, especially for pathological LNs. Motivated by this observation, we propose a novel end-to-end framework to improve LN detection performance by leveraging their station information. We design a multi-head detector and make each head focus on differentiating the LN and non-LN structures of certain stations. Pseudo station labels are generated by an LN station classifier as a form of multi-task learning during training, so we do not need another explicit LN station prediction model during inference. Our algorithm is evaluated on 82 patients with lung cancer and 91 patients with esophageal cancer. The proposed implicit station stratification method improves the detection sensitivity of thoracic lymph nodes from 65.1% to 71.4% and from 80.3% to 85.5% at 2 false positives per patient on the two datasets, respectively, which significantly outperforms various existing state-of-the-art baseline techniques such as nnUNet, nnDetection and LENS.
Abstract（参考訳）: 放射線画像における異常リンパ節の発見は、がん転移の進行や放射線治療計画などの様々な医療課題において極めて重要である。リンパ節 (LN) は体中に散在する小さな腺である。解剖学的位置に応じて、様々なLNステーションにグループ化または定義されている。異なる部位におけるCT像の出現とLNのコンテキストは,特に病的LNにおいて,自動検出の課題となる。そこで本研究では,LN検出性能向上のための新しいエンドツーエンドフレームワークを提案する。我々はマルチヘッド検出器を設計し、各ヘッドが特定のステーションのLNと非LN構造を識別することに集中させる。擬似駅ラベルは、学習中のマルチタスク学習の形式としてLN局分類器によって生成されるため、推論中に別の明示的なLN局予測モデルを必要としない。対象は肺癌82例,食道癌91例であった。提案手法は,nnunet,nndetection,lensなどの既存のベースライン技術を大きく上回る2つのデータセットにおいて,胸部リンパ節の検出感度を65.1%から71.4%に,80.3%から85.5%に向上させる。

関連論文リスト

Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文参考訳（メタデータ） (2024-01-31T21:05:34Z)
Segmentation of Mediastinal Lymph Nodes in CT with Anatomical Priors [2.087440644034646]
胸部リンパ節(LNs)は肺がんや肺炎などの諸疾患により増大する傾向にある。我々は28の異なる構造の解剖学的先行を生かして縦隔にLNを分節することを提案する。 NIH CT Lymph Nodeデータセットで利用可能な89人の患者のCTボリュームを使用して、3D nnUNetモデルをトレーニングし、LNをセグメンテーションした。
論文参考訳（メタデータ） (2024-01-11T21:59:42Z)
Integrating features from lymph node stations for metastatic lymph node detection [21.259023907494395]
近年のディープラーニングの進歩を活用して,転移性LNを自動的に検出することが望まれている。転移性LN診断の際, 放射線科医に重要なレファレンスであるLN局の情報を活用するために, 追加の枝を導入する。口腔扁平上皮癌(O SCC)患者114例のCT画像を含むデータセットを用いて本法の有効性を検証した。
論文参考訳（メタデータ） (2023-01-09T08:35:58Z)
A deep local attention network for pre-operative lymph node metastasis prediction in pancreatic cancer via multiphase CT imaging [22.57399272278884]
そこで本研究では,LNの転移状況予測タスクを容易化するために,完全自動LNセグメンテーションと識別ネットワークを提案する。関連臓器や血管から注意マップを誘導することにより,膵LN位置の解剖学的背景を解明する。腫瘍領域から抽出したLNの分類・同定と深部画像特徴を併用したLN転移状況予測ネットワークを開発した。
論文参考訳（メタデータ） (2023-01-04T05:14:31Z)
Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文参考訳（メタデータ） (2022-06-30T13:04:42Z)
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)
Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文参考訳（メタデータ） (2021-06-04T09:51:27Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
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)
Lymph Node Gross Tumor Volume Detection and Segmentation via Distance-based Gating using 3D CT/PET Imaging in Radiotherapy [18.958512013804462]
本研究では,放射線腫瘍学者による高レベル推論プロトコルをシミュレーションし,単純化するための効果的な距離ベースゲーティング手法を提案する。 1つのGTVLNカテゴリの特徴を学習する各ブランチで、新しいマルチブランチ検出・セグメンテーションネットワークを訓練する。以上の結果から,従来の最先端技術と比較して,平均リコール率を72.5%から78.2%に改善した。
論文参考訳（メタデータ） (2020-08-27T00:37:50Z)
Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。