論文の概要: Nodule detection and generation on chest X-rays: NODE21 Challenge
- arxiv url: http://arxiv.org/abs/2401.02192v1
- Date: Thu, 4 Jan 2024 10:54:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 15:20:31.067613
- Title: Nodule detection and generation on chest X-rays: NODE21 Challenge
- Title（参考訳）: 胸部X線による結節検出と生成:NODE21 Challenge
- Authors: Ecem Sogancioglu, Bram van Ginneken, Finn Behrendt, Marcel Bengs,
Alexander Schlaefer, Miron Radu, Di Xu, Ke Sheng, Fabien Scalzo, Eric Marcus,
Samuele Papa, Jonas Teuwen, Ernst Th. Scholten, Steven Schalekamp, Nils
Hendrix, Colin Jacobs, Ward Hendrix, Clara I S\'anchez, Keelin Murphy
- Abstract要約: 深層学習法は胸部X線による肺結節の検出において高い性能を発揮する。
我々は,胸部X線による肺結節の検出と発生を目的としたNODE21という公開研究課題を組織した。
本稿では,NODE21チャレンジの結果を要約し,合成学習画像が検出アルゴリズムの性能に与える影響について検討する。
- 参考スコア（独自算出の注目度）: 33.99989671569125
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Pulmonary nodules may be an early manifestation of lung cancer, the leading
cause of cancer-related deaths among both men and women. Numerous studies have
established that deep learning methods can yield high-performance levels in the
detection of lung nodules in chest X-rays. However, the lack of gold-standard
public datasets slows down the progression of the research and prevents
benchmarking of methods for this task. To address this, we organized a public
research challenge, NODE21, aimed at the detection and generation of lung
nodules in chest X-rays. While the detection track assesses state-of-the-art
nodule detection systems, the generation track determines the utility of nodule
generation algorithms to augment training data and hence improve the
performance of the detection systems. This paper summarizes the results of the
NODE21 challenge and performs extensive additional experiments to examine the
impact of the synthetically generated nodule training images on the detection
algorithm performance.
- Abstract（参考訳）: 肺結節は早期の肺癌の徴候であり、男女ともに癌関連死亡の原因となっている。
深層学習法は胸部X線による肺結節の検出において高い性能を発揮することが多くの研究で確認されている。
しかし、金標準の公開データセットの欠如により、研究の進行が遅くなり、このタスクのためのメソッドのベンチマークが妨げられる。
そこで我々は,胸部X線による肺結節の検出と発生を目的とした公開研究のNODE21を組織した。
検出トラックは最先端の結節検出システムを評価する一方、生成トラックは、結節生成アルゴリズムを用いてトレーニングデータを増強し、検出システムの性能を向上させる。
本稿では,node21チャレンジの結果を要約し,合成生成した結節訓練画像が検出アルゴリズム性能に与える影響を調べるために,さらなる実験を行う。
関連論文リスト
- Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Leveraging object detection for the identification of lung cancer [0.15229257192293202]
YOLOv5モデルは、がん性肺病変を検出するアルゴリズムの訓練に使用された。
訓練されたYOLOv5モデルは、肺癌の病変を同定し、高い精度とリコール率を示した。
論文 参考訳（メタデータ） (2023-05-25T07:53:18Z) - 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) - Multi-Task Lung Nodule Detection in Chest Radiographs with a Dual Head
Network [0.7614628596146599]
肺結節は潜在的肺癌の前駆体となる可能性がある。
胸部X線写真解析における結節検出の欠如は依然として一般的な課題である。
胸部X線写真解析のためのマルチタスク肺結節検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-07T02:29:34Z) - Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung
Nodules Using Time-Series Deep Learning [2.744770849264355]
低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。
肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。
本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
論文 参考訳（メタデータ） (2022-03-30T18:40:36Z) - X-ray Dissectography Improves Lung Nodule Detection [14.672019886848755]
数個のX線投影から肺をデジタル的に解剖するために「X線ディストモグラフィー」が用いられる。
協調検出ネットワークは、肺結節を2次元の離断射影と3次元の物理的空間に局在させるように設計されている。
論文 参考訳（メタデータ） (2022-03-24T15:18:57Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Unsupervised Detection of Lung Nodules in Chest Radiography Using
Generative Adversarial Networks [0.0]
放射線検査における肺結節の非教師的異常検出手法であるP-AnoGANの提案と評価を行った。
P-AnoGANは、プログレッシブGANと畳み込みエンコーダ-デコーダ-エンコーダパイプラインを利用して、高速な異常検出生成対向ネットワーク(f-AnoGAN)を変更する。
ROC-AUCは91.17%, 87.89%であった。
論文 参考訳（メタデータ） (2021-08-04T18:24:18Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z)
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。