Fugu-MT 論文翻訳(概要): Improved Focus on Hard Samples for Lung Nodule Detection

論文の概要: Improved Focus on Hard Samples for Lung Nodule Detection

arxiv url: http://arxiv.org/abs/2403.04478v1
Date: Thu, 7 Mar 2024 13:22:53 GMT
ステータス: 処理完了
システム内更新日: 2024-03-08 14:06:07.858100
Title: Improved Focus on Hard Samples for Lung Nodule Detection
Title（参考訳）: 肺結節検出のためのハードサンプルの改善
Authors: Yujiang Chen and Mei Xie
Abstract要約: 本研究では,肺結節に対処する硬度サンプルやデータセットに注意を払って検出ネットワークを改良した。 LUNA16データセットを用いた実験により,提案手法の有効性を実証し,本手法が競争性能に到達したことを示す。
参考スコア（独自算出の注目度）: 0.304585143845864
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, lung nodule detection methods based on deep learning have shown excellent performance in the medical image processing field. Considering that only a few public lung datasets are available and lung nodules are more difficult to detect in CT images than in natural images, the existing methods face many bottlenecks when detecting lung nodules, especially hard ones in CT images. In order to solve these problems, we plan to enhance the focus of our network. In this work, we present an improved detection network that pays more attention to hard samples and datasets to deal with lung nodules by introducing deformable convolution and self-paced learning. Experiments on the LUNA16 dataset demonstrate the effectiveness of our proposed components and show that our method has reached competitive performance.
Abstract（参考訳）: 近年,深層学習に基づく肺結節検出法が医用画像処理の分野で優れた性能を示している。自然画像よりもct画像では肺結節検出が困難であり,肺結節検出では肺結節,特にct画像における硬結の検出に多くのボトルネックが伴う。これらの問題を解決するため、我々はネットワークの焦点を強化することを計画している。本研究では,変形可能な畳み込みと自己更新学習を導入することで,肺結節に対するハードサンプルやデータセットにより多くの注意を払って検出ネットワークを改良する。 luna16データセットにおける実験は,提案するコンポーネントの有効性を示し,本手法が競合性能に到達したことを示す。

関連論文リスト

MSDet: Receptive Field Enhanced Multiscale Detection for Tiny Pulmonary Nodule [17.838015589388014]
肺結節は肺癌の早期診断における重要な指標である。従来のCT画像撮影法は、煩雑な処置、低検出率、ローカライゼーション精度の低下に悩まされていた。肺小結節検出のためのマルチスケールアテンションおよび受容野ネットワークであるMSDetを提案する。
論文参考訳（メタデータ） (2024-09-21T06:08:23Z)
Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
論文参考訳（メタデータ） (2023-10-05T07:48:55Z)
High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文参考訳（メタデータ） (2023-05-02T01:04:22Z)
Identification of lung nodules CT scan using YOLOv5 based on convolution neural network [0.0]
本研究は, 肺に発生する結節を同定することを目的とした。 1段階検出器YOLOv5は280 CT SCANで訓練された。
論文参考訳（メタデータ） (2022-12-31T17:31:22Z)
RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。 RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文参考訳（メタデータ） (2022-11-01T07:41:03Z)
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)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
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)
A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2021-01-14T01:39:19Z)
An encoder-decoder-based method for COVID-19 lung infection segmentation [3.561478746634639]
本稿では,CTスキャン画像を用いた多タスク深層学習による肺感染症セグメンテーションを提案する。提案手法は,データやラベル付き画像が不足していても,肺感染症を高いパフォーマンスで分離することができる。
論文参考訳（メタデータ） (2020-07-02T04:02:03Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。