論文の概要: Robust deep labeling of radiological emphysema subtypes using squeeze
and excitation convolutional neural networks: The MESA Lung and SPIROMICS
Studies
- arxiv url: http://arxiv.org/abs/2403.00257v1
- Date: Fri, 1 Mar 2024 03:45:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:27:37.727679
- Title: Robust deep labeling of radiological emphysema subtypes using squeeze
and excitation convolutional neural networks: The MESA Lung and SPIROMICS
Studies
- Title（参考訳）: 圧迫・励起畳み込みニューラルネットワークを用いた放射線気腫サブタイプのロバストディープラベリング:MESA LungとSPIROMICS研究
- Authors: Artur Wysoczanski, Nabil Ettehadi, Soroush Arabshahi, Yifei Sun, Karen
Hinkley Stukovsky, Karol E. Watson, MeiLan K. Han, Erin D Michos, Alejandro
P. Comellas, Eric A. Hoffman, Andrew F. Laine, R. Graham Barr, and Elsa D.
Angelini
- Abstract要約: 肺気腫は進行性で不可逆的な肺組織喪失である。
最近の研究は、肺CTにおける空間的インフォームド肺テクスチャパターン(ss)の教師なし学習につながっている。
肺CT上のss CNNとCTESの教師あり分類のための3次元圧縮・励起モデルを提案する。
- 参考スコア（独自算出の注目度）: 34.200556207264974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pulmonary emphysema, the progressive, irreversible loss of lung tissue, is
conventionally categorized into three subtypes identifiable on pathology and on
lung computed tomography (CT) images. Recent work has led to the unsupervised
learning of ten spatially-informed lung texture patterns (sLTPs) on lung CT,
representing distinct patterns of emphysematous lung parenchyma based on both
textural appearance and spatial location within the lung, and which aggregate
into 6 robust and reproducible CT Emphysema Subtypes (CTES). Existing methods
for sLTP segmentation, however, are slow and highly sensitive to changes in CT
acquisition protocol. In this work, we present a robust 3-D
squeeze-and-excitation CNN for supervised classification of sLTPs and CTES on
lung CT. Our results demonstrate that this model achieves accurate and
reproducible sLTP segmentation on lung CTscans, across two independent cohorts
and independently of scanner manufacturer and model.
- Abstract（参考訳）: 肺気腫は進行性で可逆的な肺組織の消失であり、病理組織と肺ct画像で識別できる3つのサブタイプに分類される。
最近の研究は、肺CT上の10の空間的インフォームド肺テクスチャパターン(sLTP)の教師なし学習につながり、肺のテクスチャと空間的位置の両方に基づいて、肺気腫の異なるパターンを表現し、6つの頑健で再現可能なCT肺気腫サブタイプ(CTES)に集約する。
しかし、既存のsLTPセグメンテーション法は、CT取得プロトコルの変更に対して遅く、非常に敏感である。
本研究では,肺CTにおけるsLTPsとCTESの教師付き分類のための3次元圧縮励起CNNを提案する。
その結果, 本モデルは, スキャナーメーカーやモデルとは独立に, 2つの独立したコホートをまたいで, 肺ctscan上で高精度かつ再現可能なsltpセグメンテーションを実現する。
関連論文リスト
- BRONCO: Automated modelling of the bronchovascular bundle using the
Computed Tomography Images [32.586316762855944]
我々はCT画像に基づく気管支血管束のセグメンテーションパイプラインを提案する。
我々は,低用量CTと標準用CTの両方で,様々な病理組織を用いて,様々なスライス厚で再構成し,各種機械から取得した。
論文 参考訳（メタデータ） (2023-09-18T00:38:25Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network
with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。
MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。
LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文 参考訳（メタデータ） (2023-04-04T07:05:15Z) - CT-LungNet: A Deep Learning Framework for Precise Lung Tissue
Segmentation in 3D Thoracic CT Scans [1.1014741301167645]
本稿では,3次元肺CT画像中の肺をディープネットワークと転写学習を用いて同定する完全自動手法を提案する。
VESSEL12とCRPFの2つの公開データセットとトレーニングとテストのために,LUNA16という1つの公開データセットを用いて定量的に評価した。
論文 参考訳（メタデータ） (2022-12-28T17:37:08Z) - What Makes for Automatic Reconstruction of Pulmonary Segments [50.216231776343115]
肺の3次元再構成は肺癌の外科的治療計画において重要な役割を担っている。
しかし, 深層学習の時代には, 肺部分の自動再建は行われていない。
肺セグメント再建のための深部暗黙表面モデルImPulSeを提案する。
論文 参考訳（メタデータ） (2022-07-07T04:24:17Z) - Unsupervised Contrastive Learning based Transformer for Lung Nodule
Detection [6.693379403133435]
CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。
CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。
肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。
近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
論文 参考訳（メタデータ） (2022-04-30T01:19:00Z) - Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest
CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。
アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。
提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文 参考訳（メタデータ） (2021-07-03T21:46:29Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for
Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。
胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
論文 参考訳（メタデータ） (2021-03-06T02:16:41Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z)
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。