論文の概要: Automated Small Kidney Cancer Detection in Non-Contrast Computed Tomography

• arxiv url: http://arxiv.org/abs/2312.05258v1
• Date: Fri, 24 Nov 2023 16:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 15:00:46.983408
• Title: Automated Small Kidney Cancer Detection in Non-Contrast Computed Tomography
• Title（参考訳）: 非コントラストctによる小型腎癌の自動検出
• Authors: William McGough, Thomas Buddenkotte, Stephan Ursprung, Zeyu Gao, Grant Stewart, Mireia Crispin-Ortuzar
• Abstract要約: パイプラインは61.9%の感度と92.7%の特異性を未確認のテストデータで達成している。 このパイプラインは、腎がんのスクリーニングを可能にする有望な進歩を提供する。
• 参考スコア（独自算出の注目度）: 0.34055957601963033
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces an automated pipeline for renal cancer (RC) detection in non-contrast computed tomography (NCCT). In the development of our pipeline, we test three detections models: a shape model, a 2D-, and a 3D axial-sample model. Training (n=1348) and testing (n=64) data were gathered from open sources (KiTS23, Abdomen1k, CT-ORG) and Cambridge University Hospital (CUH). Results from cross-validation and testing revealed that the 2D axial sample model had the highest small ($\leq$40mm diameter) RC detection area under the curve (AUC) of 0.804. Our pipeline achieves 61.9\% sensitivity and 92.7\% specificity for small kidney cancers on unseen test data. Our results are much more accurate than previous attempts to automatically detect small renal cancers in NCCT, the most likely imaging modality for RC screening. This pipeline offers a promising advance that may enable screening for kidney cancers.
• Abstract（参考訳）: 本研究は,非コントラストct(non-contrast ct,ncct)における腎癌自動検出パイプラインを提案する。 パイプラインの開発において, 形状モデル, 2次元モデル, 3次元軸-試料モデルという3つの検出モデルをテストした。 オープンソース(KiTS23, Abdomen1k, CT-ORG)とケンブリッジ大学病院(CUH)から, トレーニング (n=1348), テスト (n=64) データを収集した。 クロスバリデーションと試験の結果,2次元軸方向の試料モデルが最も小さい(直径40mm)rc検出面積が0.804。 我々のパイプラインは、未確認試験データに基づいて、小腎癌の感度61.9\%、特異92.7\%を達成する。 この結果はNCCTで腎小癌を自動的に検出する以前の試みよりもはるかに正確で、RC検診のモダリティが最も高い可能性が高い。 このパイプラインは、腎臓がんのスクリーニングを可能にする有望な進歩を提供する。

関連論文リスト

• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• A Deep Analysis of Transfer Learning Based Breast Cancer Detection Using Histopathology Images [0.0]
  ディープニューラルネットワーク(Deep Neural Network, DNN)は、乳がんの検出精度を向上させるために一般的に用いられる。 病理組織像のデータセットを用いて,乳がん検出のための事前訓練深達度学習モデルの解析を行った。 転送学習モデルを解析した結果,ResNet50の精度は90.2%,曲線下面積(AUC)は90.0%,リコール率は94.7%,限界損失は3.5%であった。
  論文  参考訳（メタデータ） (2023-04-11T07:17:55Z)
• LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
  我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。 精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
  論文  参考訳（メタデータ） (2023-04-10T18:47:20Z)
• CovidExpert: A Triplet Siamese Neural Network framework for the detection of COVID-19 [0.0]
  我々は、この危険な病気のポストエフェクトを減らすために、新型コロナウイルスの早期検出のための数発の学習モデルを開発した。 提案したアーキテクチャは、数ショットの学習と事前訓練された畳み込みニューラルネットワークのアンサンブルを組み合わせる。 提案されたモデルでは、全体的な精度は98.719%、特異性は99.36%、感度は98.72%、ROCスコアは99.9%であった。
  論文  参考訳（メタデータ） (2023-02-17T17:18:02Z)
• 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)
• A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
  臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。 提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
  論文  参考訳（メタデータ） (2021-11-10T19:39:26Z)
• Weakly Supervised Attention Model for RV StrainClassification from volumetric CTPA Scans [2.7554288121906296]
  肺塞栓症 (PE) とは、血栓による肺動脈の閉塞をいう。 高リスクPEは急性圧負荷による右室機能障害が原因である。 我々は、RVひずみを自動的に分類する新しいアテンション機構に重点を置いた、弱教師付きディープラーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-26T07:57:31Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• 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)
• Automated Detection of COVID-19 from CT Scans Using Convolutional Neural Networks [0.0]
  COVID-19はSARS-CoV 2003と同様の呼吸器障害を引き起こす感染症である。 U-Netアーキテクチャを用いて2次元セグメンテーションモデルを構築し,感染領域をマークアウトして出力する。
  論文  参考訳（メタデータ） (2020-06-23T06:50:41Z)
• 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。