論文の概要: Reconsidering evaluation practices in modular systems: On the
propagation of errors in MRI prostate cancer detection
- arxiv url: http://arxiv.org/abs/2309.08381v1
- Date: Fri, 15 Sep 2023 13:15:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-18 14:44:16.786841
- Title: Reconsidering evaluation practices in modular systems: On the
propagation of errors in MRI prostate cancer detection
- Title（参考訳）: モジュラーシステムにおける評価手法の再検討:MRI前立腺癌検出における誤差の伝播について
- Authors: Erlend Sortland Rolfsnes, Philip Thangngat, Trygve Eftest{\o}l, Tobias
Nordstr\"om, Fredrik J\"aderling, Martin Eklund, Alvaro Fernandez-Quilez
- Abstract要約: 人工知能(AI)システムは、臨床的に重要な(csPCa)および非臨床的に重要な(ncsPCa)病変の分類と分類によって放射線学的評価を支援することができる
本結果は,システムに関わるすべてのサブモジュールを考慮し,全体的評価の妥当性を示すものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic resonance imaging has evolved as a key component for prostate cancer
(PCa) detection, substantially increasing the radiologist workload. Artificial
intelligence (AI) systems can support radiological assessment by segmenting and
classifying lesions in clinically significant (csPCa) and non-clinically
significant (ncsPCa). Commonly, AI systems for PCa detection involve an
automatic prostate segmentation followed by the lesion detection using the
extracted prostate. However, evaluation reports are typically presented in
terms of detection under the assumption of the availability of a highly
accurate segmentation and an idealistic scenario, omitting the propagation of
errors between modules. For that purpose, we evaluate the effect of two
different segmentation networks (s1 and s2) with heterogeneous performances in
the detection stage and compare it with an idealistic setting (s1:89.90+-2.23
vs 88.97+-3.06 ncsPCa, P<.001, 89.30+-4.07 and 88.12+-2.71 csPCa, P<.001). Our
results depict the relevance of a holistic evaluation, accounting for all the
sub-modules involved in the system.
- Abstract（参考訳）: 磁気共鳴イメージングは前立腺癌(PCa)検出のキーコンポーネントとして進化し、放射線学の作業量を大幅に増加させた。
人工知能(AI)システムは、臨床的に重要な (csPCa) と非臨床的に重要な (ncsPCa) の病変を分類し分類することで、放射線学的評価をサポートすることができる。
一般的に、PCa検出のためのAIシステムは自動前立腺セグメンテーションを伴い、その後抽出された前立腺を用いた病変検出を行う。
しかしながら、評価報告は、高度に正確なセグメンテーションと理想主義的なシナリオの可用性を前提として、モジュール間のエラーの伝播を省略した検出の観点で示されるのが一般的である。
そこで,検出段階での不均一な性能を持つ2つのセグメンテーションネットワーク (s1, s2) の効果を評価し, 理想的設定 (s1:89.90+-2.23 vs 88.97+-3.06 ncsPCa, P<.001, 89.30+-4.07, 88.12+-2.71 csPCa, P<.001) と比較した。
本研究は,システムに関わるすべてのサブモジュールを考慮し,全体的評価の妥当性を示す。
関連論文リスト
- Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。
前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。
我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
論文 参考訳（メタデータ） (2025-01-15T22:23:41Z) - Mixed Supervision of Histopathology Improves Prostate Cancer
Classification from MRI [0.9395521049323435]
MRIによる非侵襲的前立腺癌検出は、患者のケアに革命をもたらす可能性がある。
患者集団に適用可能な臨床上重要な前立腺癌を予測するためのMRIによる深達度学習法を提案する。
論文 参考訳（メタデータ） (2022-12-13T02:34:57Z) - ProstAttention-Net: A deep attention model for prostate cancer
segmentation by aggressiveness in MRI scans [4.964026843682986]
本稿では,前立腺と癌病変をGleason score (GS) group gradingと共同で分割する,新しいエンドツーエンドのマルチクラスネットワークを提案する。
前立腺全体の2.9偽陽性では69.0%$pm$14.5%、末梢領域(PZ)のみを考慮すると1.5偽陽性では70.8%$pm$14.4%である。
論文 参考訳（メタデータ） (2022-11-23T16:21:21Z) - Reducing a complex two-sided smartwatch examination for Parkinson's
Disease to an efficient one-sided examination preserving machine learning
accuracy [63.20765930558542]
パーキンソン病(PD)研究における技術ベースアセスメントの実施状況について報告した。
本研究は、両手同期スマートウォッチ測定におけるPDサンプルサイズとして最大である。
論文 参考訳（メタデータ） (2022-05-11T09:12:59Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Anatomical and Diagnostic Bayesian Segmentation in Prostate MRI
$-$Should Different Clinical Objectives Mandate Different Loss Functions? [0.3149883354098941]
前立腺MRIにおける解剖・悪性度のボクセルレベルの分類は, 最適な成績を得るために異なる損失関数を必要とする。
ProstateXデータセットを用いて,200件の患者試験において,各タスクの分布,領域,境界に基づく損失関数について検討した。
論文 参考訳（メタデータ） (2021-10-25T12:44:52Z) - A clinical validation of VinDr-CXR, an AI system for detecting abnormal
chest radiographs [0.0]
X線スキャンで異常を検出するためのAIベースのシステムを検証するメカニズムを実証する。
このシステムは、胸部X線上の異常を検出するためのF1スコア(リコールのハーモニック平均と精度-0.653 CI 0.635, 0.671)を達成する。
論文 参考訳（メタデータ） (2021-04-06T02:53:35Z) - End-to-end Prostate Cancer Detection in bpMRI via 3D CNNs: Effect of
Attention Mechanisms, Clinical Priori and Decoupled False Positive Reduction [0.0]
本研究では、Bi-parametric MR Imaging (bpMRI) における臨床的に重要な前立腺癌(csa)の自動局在化のための新しい3Dコンピュータ支援診断モデルを提案する。
ディープアテンションメカニズムはその検出ネットワークを駆動し、多解像度で健全な構造と高度に識別可能な特徴次元をターゲットにしている。
CNNベースのモデルは、独立コホートにおける生検で確認された悪性腫瘍を検出するために訓練することができる。
論文 参考訳（メタデータ） (2021-01-08T22:59:30Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。