論文の概要: Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet
- arxiv url: http://arxiv.org/abs/2310.03365v2
- Date: Sat, 14 Oct 2023 05:57:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 22:47:25.820734
- Title: Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video
Sequences Using Swin Transformer-Enhanced UNet
- Title（参考訳）: swin-tempo : swin transformer-enhanced unetを用いたctスキャンによる肺結節の検出
- Authors: Hossein Jafari, Karim Faez, Hamidreza Amindavar
- Abstract要約: 本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。
ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
- 参考スコア（独自算出の注目度）: 2.7547288571938795
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Lung cancer is highly lethal, emphasizing the critical need for early
detection. However, identifying lung nodules poses significant challenges for
radiologists, who rely heavily on their expertise for accurate diagnosis. To
address this issue, computer-aided diagnosis (CAD) systems based on machine
learning techniques have emerged to assist doctors in identifying lung nodules
from computed tomography (CT) scans. Unfortunately, existing networks in this
domain often suffer from computational complexity, leading to high rates of
false negatives and false positives, limiting their effectiveness. To address
these challenges, we present an innovative model that harnesses the strengths
of both convolutional neural networks and vision transformers. Inspired by
object detection in videos, we treat each 3D CT image as a video, individual
slices as frames, and lung nodules as objects, enabling a time-series
application. The primary objective of our work is to overcome hardware
limitations during model training, allowing for efficient processing of 2D data
while utilizing inter-slice information for accurate identification based on 3D
image context. We validated the proposed network by applying a 10-fold
cross-validation technique to the publicly available Lung Nodule Analysis 2016
dataset. Our proposed architecture achieves an average sensitivity criterion of
97.84% and a competition performance metrics (CPM) of 96.0% with few
parameters. Comparative analysis with state-of-the-art advancements in lung
nodule identification demonstrates the significant accuracy achieved by our
proposed model.
- Abstract（参考訳）: 肺癌は非常に致命的であり、早期発見の必要性を強調する。
しかし、正確な診断に専門知識を多く依存する放射線科医にとって、肺結節の同定は大きな課題となる。
この問題に対処するために,ctスキャンによる肺結節の同定を支援するために,機械学習技術に基づくcadシステム(computer-assisted diagnosis)が登場している。
残念ながら、この領域の既存のネットワークは、しばしば計算の複雑さに悩まされ、偽陰性や偽陽性の頻度が高くなり、その効果が制限される。
これらの課題に対処するために,畳み込みニューラルネットワークと視覚トランスフォーマーの両方の長所を利用する革新的なモデルを提案する。
映像中の物体検出に触発されて,各3次元ct画像をビデオとして,個々のスライスをフレームとして,肺結節をオブジェクトとして扱い,時系列アプリケーションを可能にする。
本研究の主な目的は、モデルトレーニング中のハードウェアの限界を克服し、スライス間情報を利用して2次元データの効率的な処理を可能にすることである。
2016年の肺結節解析データセットに10倍のクロスバリデーション手法を適用し,提案ネットワークの検証を行った。
提案アーキテクチャは,平均感度基準が97.84%,競合性能指標(cpm)が96.0%であり,パラメータは少ない。
肺結節同定における最先端の進歩との比較分析は,提案モデルが達成した有意な精度を示している。
関連論文リスト
- High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳（メタデータ） (2023-05-02T01:04:22Z) - Identification of lung nodules CT scan using YOLOv5 based on convolution
neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。
1段階検出器YOLOv5は280 CT SCANで訓練された。
論文 参考訳（メタデータ） (2022-12-31T17:31:22Z) - PrepNet: A Convolutional Auto-Encoder to Homogenize CT Scans for
Cross-Dataset Medical Image Analysis [0.22485007639406518]
新型コロナウイルスの診断はPCR検査で効率的に行えるようになったが、このユースケースは、データの多様性を克服する方法論の必要性を実証するものだ。
本稿では,CTスキャンに最小限の変更を同時に導入しながら,イメージング技術によって引き起こされる差を解消することを目的とした,新しい生成手法を提案する。
論文 参考訳（メタデータ） (2022-08-19T15:49:47Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - 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) - 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) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Effect of Input Size on the Classification of Lung Nodules Using
Convolutional Neural Networks [0.12891210250935145]
低用量CTによる肺がん検診は,従来の胸部X線撮影と比較して肺がん死亡率を20%低下させる。
コンピュータ支援検出システム(CAD)は,CTスキャンのスライス数を最大600にし,高速かつ高精度なデータ評価に極めて重要である。
本研究では, 畳み込みニューラルネットワーク(CNN)を用いてCT肺検診を解析し, 偽陽性を減少させる枠組みを提案する。
論文 参考訳（メタデータ） (2021-07-11T16:52:30Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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)
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。