論文の概要: Multi-modality transrectal ultrasound video classification for
identification of clinically significant prostate cancer
- arxiv url: http://arxiv.org/abs/2402.08987v2
- Date: Sat, 17 Feb 2024 05:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 00:40:47.293535
- Title: Multi-modality transrectal ultrasound video classification for
identification of clinically significant prostate cancer
- Title(参考訳): 臨床的に有意義な前立腺癌の鑑別のための多変量経直腸超音波画像分類
- Authors: Hong Wu, Juan Fu, Hongsheng Ye, Yuming Zhong, Xuebin Zhou, Jianhua
Zhou, Yi Wang
- Abstract要約: 臨床的に重要な前立腺癌(csPCa)のマルチモーダルTRUSビデオから分類するための枠組みを提案する。
提案するフレームワークは,512本のTRUSビデオを含む社内データセットを用いて評価する。
- 参考スコア(独自算出の注目度): 4.896561300855359
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prostate cancer is the most common noncutaneous cancer in the world.
Recently, multi-modality transrectal ultrasound (TRUS) has increasingly become
an effective tool for the guidance of prostate biopsies. With the aim of
effectively identifying prostate cancer, we propose a framework for the
classification of clinically significant prostate cancer (csPCa) from
multi-modality TRUS videos. The framework utilizes two 3D ResNet-50 models to
extract features from B-mode images and shear wave elastography images,
respectively. An adaptive spatial fusion module is introduced to aggregate two
modalities' features. An orthogonal regularized loss is further used to
mitigate feature redundancy. The proposed framework is evaluated on an in-house
dataset containing 512 TRUS videos, and achieves favorable performance in
identifying csPCa with an area under curve (AUC) of 0.84. Furthermore, the
visualized class activation mapping (CAM) images generated from the proposed
framework may provide valuable guidance for the localization of csPCa, thus
facilitating the TRUS-guided targeted biopsy. Our code is publicly available at
https://github.com/2313595986/ProstateTRUS.
- Abstract(参考訳): 前立腺癌は世界でも最も多い非皮膚癌である。
近年,多モード経直腸超音波(TRUS)が前立腺生検の指導に有効なツールになりつつある。
前立腺癌を効果的に同定することを目的として,多モードTRUSビデオから臨床上重要な前立腺癌(csPCa)を分類するための枠組みを提案する。
このフレームワークは2つの3d resnet-50モデルを使用して、bモード画像から特徴を抽出する。
2つのモダリティの特徴を集約するために適応型空間融合モジュールが導入された。
直交正規化損失はさらに特徴冗長性を軽減するために用いられる。
提案するフレームワークは,512本のTRUSビデオを含む社内データセットを用いて評価し,csPCaを曲線下面積(AUC)0.84で識別する上で良好な性能を発揮する。
さらに,提案フレームワークから生成された可視化されたクラスアクティベーションマッピング(cam)画像は,cspcaの局在化のための有用なガイダンスとなり,trus誘導標的生検が容易になる。
私たちのコードはhttps://github.com/2313595986/ProstateTRUSで公開されています。
関連論文リスト
- Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted
Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。
拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。
本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
論文 参考訳(メタデータ) (2023-11-30T15:11:03Z) - Enhancing Prostate Cancer Diagnosis with Deep Learning: A Study using
mpMRI Segmentation and Classification [0.0]
前立腺癌(PCa)は世界中の男性の間で重篤な疾患である。早期にPCaを同定し,有効治療のための正確な診断を行うことが重要である。
深層学習(DL)モデルは、医師の関心領域を特定することで、既存の臨床システムを強化し、患者のケアを改善することができる。
本研究は, mpMRI画像の分類とセグメンテーションによく知られたDLモデルを用いてPCaを検出する。
論文 参考訳(メタデータ) (2023-10-09T03:00:15Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳(メタデータ) (2023-05-15T18:19:29Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Implementation of Convolutional Neural Network Architecture on 3D
Multiparametric Magnetic Resonance Imaging for Prostate Cancer Diagnosis [0.0]
磁気共鳴画像における前立腺病変の自動分類のための新しいディープラーニング手法を提案する。
提案手法は受信器動作特性曲線値0.87の領域で分類性能を達成した。
提案フレームワークは前立腺癌における医用画像の解釈を補助し,不必要な生検を減らす可能性を反映している。
論文 参考訳(メタデータ) (2021-12-29T16:47:52Z) - RCA-IUnet: A residual cross-spatial attention guided inception U-Net
model for tumor segmentation in breast ultrasound imaging [0.6091702876917281]
本稿では,腫瘍セグメンテーションのトレーニングパラメータが最小限に抑えられたRCA-IUnetモデルについて紹介する。
RCA-IUnetモデルは、U-Netトポロジに従い、奥行きの深い分離可能な畳み込みとハイブリッドプール層を持つ。
無関係な特徴を抑え、対象構造に焦点を合わせるために、空間横断型アテンションフィルタが加えられる。
論文 参考訳(メタデータ) (2021-08-05T10:35:06Z) - Auto-weighting for Breast Cancer Classification in Multimodal Ultrasound [0.0]
良性乳房結節と悪性乳腺結節を鑑別する4種類の超音波検査法を提案する。
分類精度を向上させるため,新しいマルチモーダルネットワークが提案されている。
その結果,提案手法の有効性を示す95.4%の分類精度が得られた。
論文 参考訳(メタデータ) (2020-08-08T03:42:00Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳(メタデータ) (2020-03-18T19:06:27Z) - A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer
via CT Images [21.627818410241552]
本稿では,新しい膵腫瘍検出フレームワークを提案する。
提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。
実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
論文 参考訳(メタデータ) (2020-02-11T15:48:22Z)
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。