論文の概要: Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses
- arxiv url: http://arxiv.org/abs/2311.09614v3
- Date: Sun, 01 Dec 2024 22:01:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:56:55.767253
- Title: Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses
- Title（参考訳）: PET/CT画像からの悪性リンパ腫の検出と定量化におけるディープニューラルネットワークの総合的評価フレームワーク:臨床所見、落とし穴、観察者合意分析
- Authors: Shadab Ahamed, Yixi Xu, Sara Kurkowska, 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画像からの自動リンパ腫分離における重要なギャップに対処する。
アウト・オブ・ディストリビューションテストを導入し、モデルの一般化可能性に関する懸念を提起する研究はほとんどない。
高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
- 参考スコア（独自算出の注目度）: 0.9958347059366389
- License:
- Abstract: This study addresses critical gaps in automated lymphoma segmentation from PET/CT images, focusing on issues often overlooked in existing literature. While deep learning has been applied for lymphoma lesion segmentation, few studies incorporate out-of-distribution testing, raising concerns about model generalizability across diverse imaging conditions and patient populations. We highlight the need to compare model performance with expert human annotators, including intra- and inter-observer variability, to understand task difficulty better. Most approaches focus on overall segmentation accuracy but overlook lesion-specific metrics important for precise lesion detection and disease quantification.To address these gaps, we propose a clinically-relevant framework for evaluating deep neural networks. Using this lesion-specific evaluation, we assess the performance of four deep segmentation networks (ResUNet, SegResNet, DynUNet, and SwinUNETR) across 611 cases from multi-institutional datasets, covering various lymphoma subtypes and lesion characteristics. Beyond standard metrics like the Dice similarity coefficient (DSC), we evaluate clinical lesion measures and their prediction errors. We also introduce detection criteria for lesion localization and propose a new detection Criterion 3 based on metabolic characteristics. We show that networks perform better on large, intense lesions with higher metabolic activity.Finally, we compare network performance to expert human observers via intra- and inter-observer variability analyses, demonstrating that network errors closely resemble those made by experts. Some small, faint lesions remain challenging for both humans and networks. This study aims to improve automated lesion segmentation's clinical relevance, supporting better treatment decisions for lymphoma patients. The code is available at: https://github.com/microsoft/lymphoma-segmentation-dnn
- Abstract（参考訳）: 本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処し,既存の文献でしばしば見過ごされる問題に焦点をあてる。
深層学習は悪性リンパ腫病変の分節化に応用されているが、分布外試験を取り入れた研究はほとんどなく、様々な画像条件や患者集団にわたるモデル一般化可能性への懸念が高まっている。
我々は、タスクの難易度をよりよく理解するために、モデルパフォーマンスを、サーバ内およびサーバ間変数を含む専門家のアノテータと比較する必要性を強調した。
殆どのアプローチは、全体のセグメンテーション精度に重点を置いているが、正確な病変検出と疾患定量化に重要な病変特異的指標を見落とし、これらのギャップに対処するために、深層ニューラルネットワークを評価するための臨床的に関連のあるフレームワークを提案する。
この病変特異的評価を用いて,多施設データセットから,4つの深層セグメンテーションネットワーク(ResUNet, SegResNet, DynUNet, SwinUNETR)の性能を611例に分けて評価した。
Dice similarity coefficient (DSC) などの標準指標の他に, 臨床病変とその予測誤差を評価した。
また, 病変局所化の検出基準を導入し, 代謝特性に基づく新しい検出基準3を提案する。
ネットワークは, 高い代謝活性を有する大規模で激しい病変に対して, ネットワーク性能を, サーバ内およびサーバ間変動解析により, 専門家の観察者と比較し, ネットワークエラーが専門家のものとよく似ていることを示した。
小型で薄い病変は、人間とネットワークの両方にとって依然として困難である。
本研究は, 悪性リンパ腫患者に対する治療選択の改善を支援することを目的として, 自動病変セグメンテーションの臨床的関連性を改善することを目的とする。
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。