Fugu-MT 論文翻訳(概要): Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)

論文の概要: Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)

arxiv url: http://arxiv.org/abs/2312.00223v1
Date: Thu, 30 Nov 2023 22:07:07 GMT
ステータス: 処理完了
システム内更新日: 2023-12-04 16:14:41.392182
Title: Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance)
Title（参考訳）: 悪性胸膜中皮腫の分節化のための畳み込みニューラルネットワーク--確率マップ閾値の解析(calgb 30901, alliance)
Authors: Mena Shenouda, Eyj\'olfur Gudmundsson, Feng Li, Christopher M. Straus, Hedy L. Kindler, Arkadiusz Z. Dudek, Thomas Stinchcombe, Xiaofei Wang, Adam Starkey, Samuel G. Armato III
Abstract要約: 深層学習を用いた自動セグメンテーション手法を用いてボリュームを取得する。本研究の目的は,畳み込みニューラルネットワーク(CNN)を用いて発生したMPM腫瘍像に対する確率マップ閾値の影響を評価することである。 CNNアノテーションは、放射線医の輪郭よりも腫瘍の体積が小さい。
参考スコア（独自算出の注目度）: 3.5543234184232566
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Malignant pleural mesothelioma (MPM) is the most common form of mesothelioma. To assess response to treatment, tumor measurements are acquired and evaluated based on a patient's longitudinal computed tomography (CT) scans. Tumor volume, however, is the more accurate metric for assessing tumor burden and response. Automated segmentation methods using deep learning can be employed to acquire volume, which otherwise is a tedious task performed manually. The deep learning-based tumor volume and contours can then be compared with a standard reference to assess the robustness of the automated segmentations. The purpose of this study was to evaluate the impact of probability map threshold on MPM tumor delineations generated using a convolutional neural network (CNN). Eighty-eight CT scans from 21 MPM patients were segmented by a VGG16/U-Net CNN. A radiologist modified the contours generated at a 0.5 probability threshold. Percent difference of tumor volume and overlap using the Dice Similarity Coefficient (DSC) were compared between the standard reference provided by the radiologist and CNN outputs for thresholds ranging from 0.001 to 0.9. CNN annotations consistently yielded smaller tumor volumes than radiologist contours. Reducing the probability threshold from 0.5 to 0.1 decreased the absolute percent volume difference, on average, from 43.96% to 24.18%. Median and mean DSC ranged from 0.58 to 0.60, with a peak at a threshold of 0.5; no distinct threshold was found for percent volume difference. No single output threshold in the CNN probability maps was optimal for both tumor volume and DSC. This work underscores the need to assess tumor volume and spatial overlap when evaluating CNN performance. While automated segmentations may yield comparable tumor volumes to that of the reference standard, the spatial region delineated by the CNN at a specific threshold is equally important.
Abstract（参考訳）: 悪性胸膜中皮腫(mpm)は最も一般的な中皮腫である。治療に対する反応を評価するために、患者の縦型ctスキャンに基づいて腫瘍測定値を取得し、評価する。しかし腫瘍体積は、腫瘍の負担と反応を評価するためのより正確な指標である。深層学習を用いた自動セグメンテーション手法を用いてボリュームを取得できるが、これは手作業による面倒な作業である。深層学習に基づく腫瘍の体積と輪郭を、自動化セグメンテーションの堅牢性を評価するための標準基準と比較することができる。本研究の目的は,畳み込みニューラルネットワーク(CNN)を用いて発生したMPM腫瘍像に対する確率マップ閾値の影響を評価することである。 21例のctスキャンをvgg16/u-net cnnで行った。放射線科医は0.5確率閾値で生成された輪郭を修正した。 Dice similarity Coefficient (DSC) を用いた腫瘍体積と重複率の比率は,0.001から0.9の範囲で標準基準とCNN出力とで比較した。 CNNアノテーションは放射線医の輪郭より腫瘍の体積が小さい。確率閾値を0.5から0.1に下げると、絶対的な体積差が43.96%から24.18%に減少した。中間値と平均値のDSCは0.58から0.60の範囲で、ピークは0.5であり、体積差に差はない。 cnn確率マップの出力閾値は腫瘍体積とdscの両方に最適ではなかった。この研究は、cnnのパフォーマンスを評価する際に腫瘍の体積と空間の重なりを評価する必要性を強調する。自動セグメンテーションは基準基準値に匹敵する腫瘍体積を生じる可能性があるが、CNNによって特定の閾値で示される空間領域は同様に重要である。

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)
Training and Comparison of nnU-Net and DeepMedic Methods for Autosegmentation of Pediatric Brain Tumors [0.08519384144663283]
ディープラーニングに基づく2つの3DセグメンテーションモデルであるDeepMedicとnnU-Netを比較した。小児特異的に訓練されたnnU-Netモデルは、小児脳腫瘍の全腫瘍および亜領域のセグメンテーションにおいてDeepMedicよりも優れている。
論文参考訳（メタデータ） (2024-01-16T14:44:06Z)
Segmentation of glioblastomas in early post-operative multi-modal MRI with deep neural networks [33.51490233427579]
手術前セグメンテーションのための2つの最先端ニューラルネットワークアーキテクチャをトレーニングした。最高の成績は61%のDiceスコアで、最高の分類性能は80%のバランスの取れた精度で達成された。予測セグメンテーションは、患者を残存腫瘍と全切除患者に正確に分類するために用いられる。
論文参考訳（メタデータ） (2023-04-18T10:14:45Z)
Multi-class Brain Tumor Segmentation using Graph Attention Network [3.3635982995145994]
この研究は、MRIとグラフニューラルネットワーク(GNN)の進歩を生かして、効率的な脳腫瘍要約モデルを導入する。このモデルは、ボリュームMRIを領域隣接グラフ(RAG)として表現し、グラフ注意ネットワーク(GAT)を通して腫瘍の種類を特定することを学習する。
論文参考訳（メタデータ） (2023-02-11T04:30:40Z)
Investigating certain choices of CNN configurations for brain lesion segmentation [5.148195106469231]
深層学習モデル、特にCNNは、脳腫瘍セグメンテーションを含む医療画像解析の多くの応用において、選択の方法論となっている。我々はMRIを用いた脳腫瘍セグメント化の特定の課題に対するCNNモデルの主設計側面について検討した。
論文参考訳（メタデータ） (2022-12-02T15:24:44Z)
Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumors Molecular Subtype Identification Using 3D Probability Distributions of Tumor Location [0.0]
pLGGサブタイプ同定のためのCNNモデルは腫瘍セグメンテーションに依存している。我々はMRIデータにおける腫瘍位置確率を用いてCNNモデルを拡張することを提案する。腫瘍位置をCNNモデルに組み込むことにより,統計的に有意な改善が得られた。
論文参考訳（メタデータ） (2022-10-13T18:30:11Z)
CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
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)
Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。タイルサイズと入力戦略の影響について検討した。
論文参考訳（メタデータ） (2021-09-14T09:42:37Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。