論文の概要: A slice classification neural network for automated classification of
axial PET/CT slices from a multi-centric lymphoma dataset
- arxiv url: http://arxiv.org/abs/2403.07105v1
- Date: Mon, 11 Mar 2024 18:57:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 23:55:08.766376
- Title: A slice classification neural network for automated classification of
axial PET/CT slices from a multi-centric lymphoma dataset
- Title（参考訳）: 多中心リンパ腫データセットからの軸方向PET/CTスライスの自動分類のためのスライス分類ニューラルネットワーク
- Authors: Shadab Ahamed, Yixi Xu, Ingrid Bloise, Joo H. O, Carlos F. Uribe,
Rahul Dodhia, Juan L. Ferres, and Arman Rahmim
- Abstract要約: 我々は、リンパ腫/CT画像の軸スライスを分類するためにResNet-18ネットワークを訓練する。
受信機動作特性曲線(AUROC)の領域と高精度リコール曲線(AUPRC)の領域を用いてモデル性能を比較した。
我々は,スライスレベルスプリット訓練と比較して,スライスレベルスプリット訓練におけるパフォーマンス過大評価を観察し,記述した。
- 参考スコア（独自算出の注目度）: 1.0318017891096118
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated slice classification is clinically relevant since it can be
incorporated into medical image segmentation workflows as a preprocessing step
that would flag slices with a higher probability of containing tumors, thereby
directing physicians attention to the important slices. In this work, we train
a ResNet-18 network to classify axial slices of lymphoma PET/CT images
(collected from two institutions) depending on whether the slice intercepted a
tumor (positive slice) in the 3D image or if the slice did not (negative
slice). Various instances of the network were trained on 2D axial datasets
created in different ways: (i) slice-level split and (ii) patient-level split;
inputs of different types were used: (i) only PET slices and (ii) concatenated
PET and CT slices; and different training strategies were employed: (i)
center-aware (CAW) and (ii) center-agnostic (CAG). Model performances were
compared using the area under the receiver operating characteristic curve
(AUROC) and the area under the precision-recall curve (AUPRC), and various
binary classification metrics. We observe and describe a performance
overestimation in the case of slice-level split as compared to the
patient-level split training. The model trained using patient-level split data
with the network input containing only PET slices in the CAG training regime
was the best performing/generalizing model on a majority of metrics. Our models
were additionally more closely compared using the sensitivity metric on the
positive slices from their respective test sets.
- Abstract（参考訳）: 自動スライス分類は医用画像セグメンテーションワークフローに組み込むことができ、腫瘍を含む確率が高いスライスにフラグを付ける前処理ステップとして組み込むことができ、医師に重要なスライスに注意を向ける。
本研究では,3次元画像中の腫瘍(陽性スライス)をスライスしたか,あるいはスライスしなかったか(陰性スライス)によって,PET/CT画像の軸スライスを分類するResNet-18ネットワークを訓練する。
ネットワークの様々なインスタンスは、異なる方法で作成された2d軸性データセットで訓練された。
(i)スライスレベル分割
(ii)患者レベルの分割;異なるタイプの入力を使用する。
(i)ペットスライスのみ及び
(ii)petスライスとctスライスを連結し,異なる訓練戦略を採った。
(i)センターアウェア(CAW)及び
(ii)センター非依存(cag)。
モデル性能は,受信者動作特性曲線 (auroc) 下の領域と精度再呼曲線 (auprc) 下の領域,および各種バイナリ分類指標を用いて比較した。
患者レベルの分断訓練と比較して,スライスレベルの分断の場合のパフォーマンスの過大評価を観察し,記述する。
CAGトレーニング体制におけるPETスライスのみを含むネットワーク入力を用いた患者レベルのスプリットデータを用いてトレーニングしたモデルは、ほとんどの指標で最高のパフォーマンス/一般化モデルであった。
また,各テストセットの正のスライスに対する感度指標を用いて,さらに精度を比較検討した。
関連論文リスト
- Attention-based CT Scan Interpolation for Lesion Segmentation of
Colorectal Liver Metastases [2.680862925538592]
大腸癌 (CRLM) に共通する小肝病変は, 畳み込みニューラルネットワーク (CNN) セグメンテーションモデルでは困難である。
我々は,CTスキャンにおける連続3重スライスから中間スライスを生成する,教師なしアテンションベースモデルを提案する。
モデルの出力は元の入力スライスと一致し、2つの最先端3Dセグメンテーションパイプラインにおけるセグメンテーション性能を向上する。
論文 参考訳（メタデータ） (2023-08-30T10:21:57Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳（メタデータ） (2022-11-10T13:11:21Z) - Slice-by-slice deep learning aided oropharyngeal cancer segmentation
with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
腫瘍セグメンテーションは放射線治療計画の基本的なステップである。
本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
論文 参考訳（メタデータ） (2022-07-04T15:17:44Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Bilinear pooling and metric learning network for early Alzheimer's
disease identification with FDG-PET images [0.293168019422713]
軽度認知障害(MCI)およびアルツハイマー病(AD)患者におけるFDG-PETによる脳代謝の変化
本稿では,地域間表現の特徴を抽出し,組込み空間によるハードサンプルの識別が可能な,新しいバイリニアプールとメートル法学習ネットワーク(BMNet)を提案する。
論文 参考訳（メタデータ） (2021-11-09T08:17:55Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Weakly Supervised 3D Classification of Chest CT using Aggregated
Multi-Resolution Deep Segmentation Features [5.938730586521215]
CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。
マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
論文 参考訳（メタデータ） (2020-10-31T00:16:53Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳（メタデータ） (2020-10-09T08:22:54Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Fully-automated deep learning slice-based muscle estimation from CT
images for sarcopenia assessment [0.10499611180329801]
この振り返り研究は、公開画像とプライベート画像のコレクションを用いて行われた。
方法はCTボリュームからのスライス検出と単スライスCTセグメンテーションの2段階からなる。
アウトプットはL3椎骨のCTスライスに分節した筋量であった。
論文 参考訳（メタデータ） (2020-06-10T12:05:55Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳（メタデータ） (2020-03-17T20:20:43Z)
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。