論文の概要: Comprehensive Evaluation and Insights into the Use of Deep Neural Networks to Detect and Quantify Lymphoma Lesions in PET/CT Images

• arxiv url: http://arxiv.org/abs/2311.09614v1
• Date: Thu, 16 Nov 2023 06:58:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-17 16:15:15.423705
• Title: Comprehensive Evaluation and Insights into the Use of Deep Neural Networks to Detect and Quantify Lymphoma Lesions in PET/CT Images
• Title（参考訳）: PET/CT画像におけるリンパ腫病変の検出と定量化のためのディープニューラルネットワークの利用に関する総合的評価と考察
• Authors: Shadab Ahamed, Yixi Xu, Claire Gowdy, Joo H. O, Ingrid Bloise, Don Wilson, Patrick Martineau, Fran\c{c}ois B\'enard, Fereshteh Yousefirizi, Rahul Dodhia, Juan M. Lavista, William B. Weeks, Carlos F. Uribe, and Arman Rahmim
• Abstract要約: 本研究はPET/CT画像からの悪性リンパ腫病変の分節に対する4つのニューラルネットワークアーキテクチャの包括的評価を行う。 内部試験では、SegResNetが中心的なDice類似度係数(DSC)が0.76、中心的な偽陽性量(FPV)が4.55mlであった。 TMTV範囲の145例( [0.10, 2480] ml)では、SegResNetは21.46 mlのDSCとFPVを達成し、UNetは0.41 mlのFNVを得た。
• 参考スコア（独自算出の注目度）: 1.0163751283616151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study performs comprehensive evaluation of four neural network architectures (UNet, SegResNet, DynUNet, and SwinUNETR) for lymphoma lesion segmentation from PET/CT images. These networks were trained, validated, and tested on a diverse, multi-institutional dataset of 611 cases. Internal testing (88 cases; total metabolic tumor volume (TMTV) range [0.52, 2300] ml) showed SegResNet as the top performer with a median Dice similarity coefficient (DSC) of 0.76 and median false positive volume (FPV) of 4.55 ml; all networks had a median false negative volume (FNV) of 0 ml. On the unseen external test set (145 cases with TMTV range: [0.10, 2480] ml), SegResNet achieved the best median DSC of 0.68 and FPV of 21.46 ml, while UNet had the best FNV of 0.41 ml. We assessed reproducibility of six lesion measures, calculated their prediction errors, and examined DSC performance in relation to these lesion measures, offering insights into segmentation accuracy and clinical relevance. Additionally, we introduced three lesion detection criteria, addressing the clinical need for identifying lesions, counting them, and segmenting based on metabolic characteristics. We also performed expert intra-observer variability analysis revealing the challenges in segmenting ``easy'' vs. ``hard'' cases, to assist in the development of more resilient segmentation algorithms. Finally, we performed inter-observer agreement assessment underscoring the importance of a standardized ground truth segmentation protocol involving multiple expert annotators. Code is available at: https://github.com/microsoft/lymphoma-segmentation-dnn
• Abstract（参考訳）: 本研究はPET/CT画像からの悪性リンパ腫病変に対する4つのニューラルネットワークアーキテクチャ(UNet, SegResNet, DynUNet, SwinUNETR)の包括的評価を行う。 これらのネットワークは、611例の多様な多施設データセットで訓練、検証、テストされた。 内部検査 (88例, 全代謝腫瘍容積 (tmtv) 範囲 [0.52, 2300] ml) では, segresnet が 0.76 の中央 dice 類似度係数 (dsc) と 4.55 ml の中央値偽陽性体積 (fpv) を持ち, すべてのネットワークは中央値偽陰性体積 (fnv) が 0 ml であった。 検出されていない外部テストセット(tmtvの範囲が[0.10, 2480] mlの145例)では、segresnet は 0.68 の中央値 dsc と 21.46 mlの fpv を達成し、unet は 0.41 ml の fnv が最高であった。 本研究では,6つの病変の再現性を評価し,その予測誤差を算出し,これらの病変に対するDSCの評価を行い,セグメンテーション精度と臨床関連性について考察した。 さらに, 3つの病変検出基準を導入し, 病変の同定, 計数, 代謝学的特徴に基づくセグメンテーションの必要性に対処した。 また,より弾力性のあるセグメンテーションアルゴリズムの開発を支援するために, `easy' 対 ``hard'' の場合のセグメンテーションの課題を明らかにした。 最後に,複数の専門家アノテータを含む標準化された真実分割プロトコルの重要性を裏付けるサーバ間合意評価を行った。 コードは、https://github.com/microsoft/lymphoma-segmentation-dnnで入手できる。

関連論文リスト

• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis Using Sequential Multisequence MRI [0.0]
  多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。 我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
  論文  参考訳（メタデータ） (2024-01-22T17:14:47Z)
• Generalized Dice Focal Loss trained 3D Residual UNet for Automated Lesion Segmentation in Whole-Body FDG PET/CT Images [0.4630436098920747]
  我々は,AutoPETチャレンジ2023のトレーニングデータセット上で,一般化Dice Focal Loss関数を用いて3次元残留UNetをトレーニングする。 予備試験段階では、平均アンサンブルは、それぞれ0.5417、0.8261ml、0.2538mlのDice類似係数(DSC)、偽陽性体積(FPV)、偽負体積(FNV)を達成した。
  論文  参考訳（メタデータ） (2023-09-24T05:29:45Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Universal Lymph Node Detection in T2 MRI using Neural Networks [9.256201343701251]
  T2 Magnetic Resonance Imaging (MRI) における転移を疑う腹部リンパ節の同定は, 増殖性疾患の進行に重要である。 LN検出の以前の研究は、単一のMRスライスで身体の特定の解剖学的領域(骨盤、直腸)に限られていた。 本研究では,ニューラルネットワークを用いた容積T2MRIにおける腹部LNを普遍的に同定するCADパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-03-31T18:52:35Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
  本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。 最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
  論文  参考訳（メタデータ） (2021-05-03T00:14:43Z)
• COVID-19 detection using chest X-rays: is lung segmentation important for generalization? [3.198144010381572]
  深部ニューラルネットワーク(DNN)は、比較的小さく混合されたデータセットを使用して、胸部X線をCOVID-19、正常または肺炎として分類するために訓練された。 外部データセットとLRP分析のパフォーマンスは、DNNを小さな混合データセットでトレーニングし、COVID-19を検出することを示唆している。
  論文  参考訳（メタデータ） (2021-04-12T09:06:28Z)
• FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
  正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-30T03:17:31Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。