論文の概要: From Pixel to Cancer: Cellular Automata in Computed Tomography

• arxiv url: http://arxiv.org/abs/2403.06459v2
• Date: Fri, 5 Jul 2024 17:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 23:33:46.560899
• Title: From Pixel to Cancer: Cellular Automata in Computed Tomography
• Title（参考訳）: 画像から癌まで:CTにおける細胞性オートマタ
• Authors: Yuxiang Lai, Xiaoxi Chen, Angtian Wang, Alan Yuille, Zongwei Zhou,
• Abstract要約: 腫瘍合成は、医療画像に人工腫瘍を作ろうとする。 本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。 我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
• 参考スコア（独自算出の注目度）: 12.524228287083888
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI for cancer detection encounters the bottleneck of data scarcity, annotation difficulty, and low prevalence of early tumors. Tumor synthesis seeks to create artificial tumors in medical images, which can greatly diversify the data and annotations for AI training. However, current tumor synthesis approaches are not applicable across different organs due to their need for specific expertise and design. This paper establishes a set of generic rules to simulate tumor development. Each cell (pixel) is initially assigned a state between zero and ten to represent the tumor population, and a tumor can be developed based on three rules to describe the process of growth, invasion, and death. We apply these three generic rules to simulate tumor development--from pixel to cancer--using cellular automata. We then integrate the tumor state into the original computed tomography (CT) images to generate synthetic tumors across different organs. This tumor synthesis approach allows for sampling tumors at multiple stages and analyzing tumor-organ interaction. Clinically, a reader study involving three expert radiologists reveals that the synthetic tumors and their developing trajectories are convincingly realistic. Technically, we analyze and simulate tumor development at various stages using 9,262 raw, unlabeled CT images sourced from 68 hospitals worldwide. The performance in segmenting tumors in the liver, pancreas, and kidneys exceeds prevailing literature benchmarks, underlining the immense potential of tumor synthesis, especially for earlier cancer detection. The code and models are available at https://github.com/MrGiovanni/Pixel2Cancer
• Abstract（参考訳）: がん検出のためのAIは、データの不足、アノテーションの難しさ、早期腫瘍の頻度の低いボトルネックに遭遇する。 腫瘍合成は、医療画像に人工腫瘍を作成しようとしている。 しかしながら、現在の腫瘍合成アプローチは、特定の専門知識と設計を必要とするため、異なる臓器に適用できない。 本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。 各細胞(ピクセル)は最初、腫瘍の集団を表すために0から10の状態を割り当てられ、成長、浸潤、死の過程を記述する3つの規則に基づいて腫瘍を発生させることができる。 これら3つの一般的なルールを適用し,腫瘍の発生をシミュレートする。 次に,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を作製する。 この腫瘍合成アプローチにより、複数の段階の腫瘍をサンプリングし、腫瘍と臓器の相互作用を分析することができる。 臨床的には、3人の専門的な放射線学者による研究によると、合成腫瘍とその発生軌跡は、説得力のあるほど現実的である。 本研究は, 世界中の68の病院から得られた9,262個の未標識CT画像を用いて, 様々な段階における腫瘍発生を解析, シミュレーションする。 肝、膵、腎臓における腫瘍の分節化のパフォーマンスは、特に早期がんの検出において、腫瘍合成の潜在可能性の基盤となる、一般的な文献ベンチマークを上回っている。 コードとモデルはhttps://github.com/MrGiovanni/Pixel2Cancerで公開されている。

関連論文リスト

• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Early Detection and Localization of Pancreatic Cancer by Label-Free Tumor Synthesis [11.86190788916592]
  膵癌の早期発見と局所化は、患者の5年間の生存率を8.5%から20%に引き上げることができる。 トレーニングAIモデルには、多数の注釈付きサンプルが必要だが、早期の腫瘍を取得するCTスキャンが利用可能であることには制約がある。 手動のアノテーションを必要とせず, 膵内小膵腫瘍の膨大な例を合成できる腫瘍合成法を開発した。
  論文  参考訳（メタデータ） (2023-08-06T03:37:34Z)
• Label-Free Liver Tumor Segmentation [10.851067782021902]
  我々は, 合成腫瘍をCTスキャンで使用することにより, 手動によるアノテーションを必要とせずに, 肝腫瘍を正確に分類できることを示した。 私たちの合成腫瘍には、現実的な形状とテクスチャという、2つの興味深い利点があります。 私たちの合成腫瘍は、小さな(あるいは小さな)合成腫瘍の多くの例を自動的に生成することができます。
  論文  参考訳（メタデータ） (2023-03-27T01:22:12Z)
• CancerUniT: Towards a Single Unified Model for Effective Detection, Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection of CT Scans [45.83431075462771]
  ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。 ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。 CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
  論文  参考訳（メタデータ） (2023-01-28T20:09:34Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。