論文の概要: High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An
Attention-Enhanced Graph Convolutional Network Approach
- arxiv url: http://arxiv.org/abs/2308.14000v1
- Date: Sun, 27 Aug 2023 04:24:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 17:35:13.263112
- Title: High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An
Attention-Enhanced Graph Convolutional Network Approach
- Title（参考訳）: 薄いCTスキャンを用いた肺癌の高リスク因子予測 : 注意力強化グラフ畳み込みネットワークアプローチ
- Authors: Xiaotong Fu, Xiangyu Meng, Jing Zhou, Ying Ji
- Abstract要約: 肺がんは、特に進行期において、世界中で死因となっている。
本研究は,術前CT画像に基づいて,I期肺癌に高リスク因子が存在するか否かを分類するために,Atention-Enhanced Graph Convolutional Network (AE-GCN)モデルを提案する。
- 参考スコア（独自算出の注目度）: 9.795111455349183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lung cancer, particularly in its advanced stages, remains a leading cause of
death globally. Though early detection via low-dose computed tomography (CT) is
promising, the identification of high-risk factors crucial for surgical mode
selection remains a challenge. Addressing this, our study introduces an
Attention-Enhanced Graph Convolutional Network (AE-GCN) model to classify
whether there are high-risk factors in stage I lung cancer based on the
preoperative CT images. This will aid surgeons in determining the optimal
surgical method before the operation. Unlike previous studies that relied on 3D
patch techniques to represent nodule spatial features, our method employs a GCN
model to capture the spatial characteristics of pulmonary nodules.
Specifically, we regard each slice of the nodule as a graph vertex, and the
inherent spatial relationships between slices form the edges. Then, to enhance
the expression of nodule features, we integrated both channel and spatial
attention mechanisms with a pre-trained VGG model for adaptive feature
extraction from pulmonary nodules. Lastly, the effectiveness of the proposed
method is demonstrated using real-world data collected from the hospitals,
thereby emphasizing its potential utility in the clinical practice.
- Abstract（参考訳）: 肺がんは、特にその進行段階において、世界中で主要な死因となっている。
低用量CT(low-Dose Computed Tomography)による早期診断は有望であるが,手術モード選択に不可欠な高リスク因子の同定は依然として課題である。
そこで本研究では,術前ct画像からi期肺癌に高リスク因子が存在するかどうかを分類するための注意強化グラフ畳み込みネットワーク(ae-gcn)モデルを提案する。
これは外科医が手術前に最適な手術方法を決定するのに役立つ。
従来の3次元パッチ技術を用いて結節の空間的特徴を表現する研究と異なり,gcnモデルを用いて肺結節の空間的特徴を捉える。
具体的には、各節のスライスをグラフ頂点とみなし、スライス間の内在的な空間的関係がエッジを形成する。
結節の特徴の発現を高めるため,肺結節からの適応的特徴抽出のためのVGGモデルを用いて,チャネルと空間の注意機構を統合した。
最後に,本手法の有効性を病院から収集した実世界データを用いて実証し,臨床応用の可能性を強調した。
関連論文リスト
- Detection-Guided Deep Learning-Based Model with Spatial Regularization for Lung Nodule Segmentation [2.4044422838107438]
肺がんはがんの診断の主要な原因の1つであり、世界中でがん関連死亡の原因となっている。
肺結節の分節は、悪性病変と良性病変の区別において、医師を支援する上で重要な役割を担っている。
本稿では,CT画像における肺結節のセグメンテーションモデルを導入し,セグメンテーションと分類プロセスを統合する深層学習フレームワークを活用する。
論文 参考訳（メタデータ） (2024-10-26T11:58:12Z) - Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA
fostered Lung Cancer Classification using CT Images [1.1510009152620668]
肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。
提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
論文 参考訳（メタデータ） (2023-12-05T10:53:35Z) - SGDA: Towards 3D Universal Pulmonary Nodule Detection via Slice Grouped
Domain Attention [47.44114201293201]
肺がんは世界中でがんの死因となっている。
現在の肺結節検出法は通常ドメイン固有である。
肺結節検出ネットワークの一般化能力を高めるために,スライスグループドメインアテンション(SGDA)モジュールを提案する。
論文 参考訳（メタデータ） (2023-03-07T03:17:49Z) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳（メタデータ） (2022-07-19T16:38:48Z) - Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction
of Lung Nodules on CT Scans [13.882367716329387]
肺結節の管理においてはCTスキャンの直径変化から, 進展を予測することが望ましい。
肺結節の成長傾向予測の性能向上のためには, 連続CTで同じ結節の変化を比較することが不可欠である。
論文 参考訳（メタデータ） (2022-06-07T06:44:56Z) - Unsupervised Contrastive Learning based Transformer for Lung Nodule
Detection [6.693379403133435]
CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。
CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。
肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。
近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2022-04-30T01:19:00Z) - Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。
本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文 参考訳（メタデータ） (2022-03-30T18:40:36Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。