論文の概要: Improving Lesion Volume Measurements on Digital Mammograms
- arxiv url: http://arxiv.org/abs/2308.14369v1
- Date: Mon, 28 Aug 2023 07:35:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 15:14:45.773700
- Title: Improving Lesion Volume Measurements on Digital Mammograms
- Title(参考訳): デジタルマンモグラムにおける病変容積測定の改善
- Authors: Nikita Moriakov, Jim Peters, Ritse Mann, Nico Karssemeijer, Jos van
Dijck, Mireille Broeders, Jonas Teuwen
- Abstract要約: 乳癌の予後予測因子として病変容積が重要である。
本研究では, デジタルマンモグラムにおける病変量測定の精度向上に向けて, 処理したマンモグラムの病変量を推定できるモデルを構築した。
- 参考スコア(独自算出の注目度): 3.267854738349957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lesion volume is an important predictor for prognosis in breast cancer. We
make a step towards a more accurate lesion volume measurement on digital
mammograms by developing a model that allows to estimate lesion volumes on
processed mammograms, which are the images routinely used by radiologists in
clinical practice as well as in breast cancer screening and are available in
medical centers. Processed mammograms are obtained from raw mammograms, which
are the X-ray data coming directly from the scanner, by applying certain
vendor-specific non-linear transformations. At the core of our volume
estimation method is a physics-based algorithm for measuring lesion volumes on
raw mammograms. We subsequently extend this algorithm to processed mammograms
via a deep learning image-to-image translation model that produces synthetic
raw mammograms from processed mammograms in a multi-vendor setting. We assess
the reliability and validity of our method using a dataset of 1778 mammograms
with an annotated mass. Firstly, we investigate the correlations between lesion
volumes computed from mediolateral oblique and craniocaudal views, with a
resulting Pearson correlation of 0.93 [95% confidence interval (CI) 0.92 -
0.93]. Secondly, we compare the resulting lesion volumes from true and
synthetic raw data, with a resulting Pearson correlation of 0.998 [95% CI 0.998
- 0.998] . Finally, for a subset of 100 mammograms with a malign mass and
concurrent MRI examination available, we analyze the agreement between lesion
volume on mammography and MRI, resulting in an intraclass correlation
coefficient of 0.81 [95% CI 0.73 - 0.87] for consistency and 0.78 [95% CI 0.66
- 0.86] for absolute agreement. In conclusion, we developed an algorithm to
measure mammographic lesion volume that reached excellent reliability and good
validity, when using MRI as ground truth.
- Abstract(参考訳): 病変容積は乳癌の予後の重要な予測因子である。
本研究は, 乳がん検診, 乳がん検診において, 放射線科医が日常的に用いている画像であり, 医療センターで利用可能である, 加工マンモグラムの病変量を推定できるモデルを開発することにより, デジタルマンモグラムのより正確な病変量測定に向けて一歩進めるものである。
処理されたマンモグラムは、特定のベンダー固有の非線形変換を適用することにより、スキャナから直接来るX線データである生マンモグラムから得られる。
我々の体積推定法の中核は,生マンモグラム上の病変量を測定する物理に基づくアルゴリズムである。
このアルゴリズムを深層学習画像から画像への変換モデルを用いて, マルチベンダ環境下で処理したマンモグラムから合成生マンモグラムを生成する。
本手法の信頼性と妥当性を注釈付き1778個のマンモグラムを用いて評価した。
まず,側方斜視から算出した病変量と頭蓋骨視の相関について検討し,Pearsonの相関は0.93[95%信頼区間 (CI) 0.920.93]であった。
次に, 真および合成生データから得られた病変量と, パーソン相関値 0.998 [95% CI 0.998 - 0.998] を比較した。
最後に, 悪性腫瘍とMRI検査を併用した100個のマンモグラムのサブセットについて, マンモグラフィとMRIの病変量との一致を解析した結果, 一貫性は0.81[95% CI 0.73 - 0.87], 絶対一致は0.78[95% CI 0.66 - 0.86]となった。
以上の結果から,MRIを基礎的真理として用いる際に,高い信頼性と有効性を有するマンモグラフィ病変量を測定するアルゴリズムを開発した。
関連論文リスト
- Vision Transformer-based Multimodal Feature Fusion Network for Lymphoma
Segmentation on PET/CT Images [6.715992297496958]
18F-Fluorodeoxyglucose positron emission tomography (PET) とCT画像によるリンパ腫分画の精度向上を目指した。
悪性リンパ腫のセグメンテーションのアプローチは,視覚トランスフォーマーとデュアルエンコーダを併用し,マルチモーダル・クロスアテンション・フュージョン(MMCAF)モジュールを介してPETおよびCTデータを浮き彫りにする。
論文 参考訳(メタデータ) (2024-02-04T05:25:12Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
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。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Multivariate Analysis on Performance Gaps of Artificial Intelligence
Models in Screening Mammography [4.123006816939975]
異常分類のための深層学習モデルは,マンモグラフィーのスクリーニングにおいて良好に機能する。
モデル不全のリスクの増加に伴う人口統計学的、画像的、臨床的特徴はいまだに不明である。
年齢,人種,病理所見,組織密度,画像特徴によって定義されるサブグループによるモデル性能の評価を行った。
論文 参考訳(メタデータ) (2023-05-08T02:28:45Z) - Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。
MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。
具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T18:33:32Z) - Translating automated brain tumour phenotyping to clinical neuroimaging [0.4199844472131921]
我々は、自動腫瘍分割モデルの比較忠実度を定量化するために最先端の手法を用いる。
深層学習セグメンテーションモデルは、データ不足時に腫瘍をうまく特徴づけ、コントラストを使わずに拡張組織を検出できる。
論文 参考訳(メタデータ) (2022-06-13T12:58:54Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - 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) - Breast mass detection in digital mammography based on anchor-free
architecture [0.4568777157687961]
BMassDNet(Breast Mass Detection Network)と呼ばれる一段階の物体検出アーキテクチャを提案する。
BMassDNetはアンカーフリーで特徴ピラミッドに基づいており、異なる大きさの乳房の質量を検出する。
提案するBMassDNetは,現在最上位の手法よりも競合検出性能が高いことを示す。
論文 参考訳(メタデータ) (2020-09-02T07:11:16Z) - A Deep Learning-Based Method for Automatic Segmentation of Proximal
Femur from Quantitative Computed Tomography Images [5.731199807877257]
我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。
提案手法の有効性を評価する実験を行った。
論文 参考訳(メタデータ) (2020-06-09T21:16:47Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。