Fugu-MT 論文翻訳(概要): Comprehensive Evaluation and Insights into the Use of Deep Neural Networks to Detect and Quantify Lymphoma Lesions in PET/CT Images

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/2311.09614v2
Date: Sun, 20 Oct 2024 23:41:43 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 17:02:15.975991
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, François Bénard, Fereshteh Yousefirizi, Rahul Dodhia, Juan M. Lavista, William B. Weeks, Carlos F. Uribe, 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:
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件の多様な多施設のデータセットでトレーニングされ、検証され、テストされた。内部試験(88例,全代謝性腫瘍容積(TMTV)範囲 [0.52, 2300] ml)では,SegResNetが0.76のDice類似度係数(DSC)と4.55mlの正の正の正の正の正の正の正の正の正の負の負の負の負の負の負の負の負の負の正の負の負の負の負の負の正の負の負の負の負の負の負の正の負の負の負の正の負の負の負の負の負の負の負の負の正の負の負の負の負の負の負の負の負の正の負の正の正の正の正の値を示した。 TMTV範囲の145例( [0.10, 2480] ml)では、セグレスネットは0.68とFPV21.46 mlで、UNetは0.41 mlだった。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

PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [36.136619420474766]
本稿では,専門家アノテーションの変動を正確に捉えるバイオメディカルイメージセグメンテーションのためのPULASkiを提案する。提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
論文参考訳（メタデータ） (2023-12-25T10:31:22Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
A Weakly Supervised Segmentation Network Embedding Cross-scale Attention Guidance and Noise-sensitive Constraint for Detecting Tertiary Lymphoid Structures of Pancreatic Tumors [19.775101438245272]
膵病理像における3次リンパ構造(TLS)の存在は膵腫瘍の予後を示す重要な指標である。数発の学習でTLSを検出するために,弱い教師付きセグメンテーションネットワークを提案する。得られた2つのデータセットに対する実験結果から,提案手法はTLSの検出精度において,最先端のセグメンテーションに基づくアルゴリズムよりも有意に優れていることが示された。
論文参考訳（メタデータ） (2023-07-27T03:25:09Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
Deep Learning based Novel Cascaded Approach for Skin Lesion Analysis [7.371818587876888]
本研究は,2段階の皮膚病変セグメンテーションの枠組みに焦点をあて,その後に病変解析の分類を行う。皮膚病変分類のためのエンコーダデコーダアーキテクチャとCNNに基づく分類ネットワークを設計し,深層畳み込みニューラルネットワークアーキテクチャの有効性を検討した。本手法は, 従来の分類法により, 病変の分類精度が有意に向上した第1種である。
論文参考訳（メタデータ） (2023-01-16T01:08:32Z)
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 Lesion Detection in CT Scans using Neural Network Ensembles [5.341593824515018]
腫瘍の拡がりの下流評価を促進するため、病変の縮小の前提条件は、その検出である。我々は,NIH DeepLesionデータセットに存在する疑わしい病変を識別するために,最先端検出ニューラルネットワークを提案する。画像あたり65.17%の精度と91.67%の感度で1枚あたり4FPの精度で、病変を局在させる最良の検出モデルのアンサンブルを構築した。
論文参考訳（メタデータ） (2021-11-09T00:11:01Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
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)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。