論文の概要: Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets

• arxiv url: http://arxiv.org/abs/2403.13113v2
• Date: Wed, 4 Sep 2024 17:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-07 03:32:19.006086
• Title: Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets
• Title（参考訳）: 混合ドメインデータセットに応用した基礎モデルによる肺癌セグメンテーションの不確かさの定量化
• Authors: Aneesh Rangnekar, Nishant Nadkarni, Jue Jiang, Harini Veeraraghavan,
• Abstract要約: 医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入した。 SMITは高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、腫瘍検出率と確実なセグメンテーションを示した。
• 参考スコア（独自算出の注目度）: 6.712251433139412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image foundation models have shown the ability to segment organs and tumors with minimal fine-tuning. These models are typically evaluated on task-specific in-distribution (ID) datasets. However, reliable performance on ID dataset does not guarantee robust generalization on out-of-distribution (OOD) datasets. Importantly, once deployed for clinical use, it is impractical to have `ground truth' delineations to assess ongoing performance drifts, especially when images fall into OOD category due to different imaging protocols. Hence, we introduced a comprehensive set of computationally fast metrics to evaluate the performance of multiple foundation models (Swin UNETR, SimMIM, iBOT, SMIT) trained with self-supervised learning (SSL). SSL pretraining was selected as this approach is applicable for large, diverse, and unlabeled image sets. All models were fine-tuned on identical datasets for lung tumor segmentation from computed tomography (CT) scans. SimMIM, iBOT, and SMIT used identical architecture, pretraining, and fine-tuning datasets to assess performance variations with the choice of pretext tasks used in SSL. Evaluation was performed on two public lung cancer datasets (LRAD: n = 140, 5Rater: n = 21) with different image acquisitions and tumor stage compared to training data (n = 317 public resource with stage III-IV lung cancers) and a public non-cancer dataset containing volumetric CT scans of patients with pulmonary embolism (n = 120). All models produced similarly accurate tumor segmentation on the lung cancer testing datasets. SMIT produced a highest F1-score (LRAD: 0.60, 5Rater: 0.64) and lowest entropy (LRAD: 0.06, 5Rater: 0.12), indicating higher tumor detection rate and confident segmentations. In the OOD dataset, SMIT misdetected least number of tumors, indicated by median volume occupancy of 5.67 cc compared to second best method SimMIM of 9.97 cc.
• Abstract（参考訳）: 医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。 これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。 しかし、IDデータセットの信頼性の高い性能は、アウト・オブ・ディストリビューション(OOD)データセットの堅牢な一般化を保証するものではない。 特に画像が異なる画像プロトコルによってOODカテゴリに分類される場合, 臨床用として展開された場合, 進行中のパフォーマンスドリフトを評価するために, 地上の真実を記述しておくことは不可能である。 そこで我々は,複数の基礎モデル (Swin UNETR, SimMIM, iBOT, SMIT) の性能を自己教師付き学習 (SSL) で評価するために,計算的に高速なメトリクスの包括的セットを導入した。 SSLプリトレーニングは、大規模な、多様な、ラベルなしの画像セットに適用できるため、選択された。 CT(Computed tomography)スキャンから肺腫瘍の分画の同一データセットを用いて,すべてのモデルが微調整された。 SimMIM、iBOT、SMITは同じアーキテクチャ、事前トレーニング、微調整データセットを使用して、SSLで使用されるプリテキストタスクの選択によるパフォーマンスの変動を評価した。 LRAD: 140, 5Rater: n = 21) と, 肺塞栓症患者のCT検査(n = 120) を対象とし, 肺がん訓練データ(n = 317, III-IV, III-IV, III-IV)と比較し, 画像取得と腫瘍ステージの異なる2つのパブリック肺がんデータセット(LRAD: 140, 5Rater: n = 21)について検討した。 全てのモデルは、肺がん検査データセットで同様に正確な腫瘍のセグメンテーションを作成した。 SMITは高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、腫瘍検出率と確実なセグメンテーションを示した。 OODデータセットでは、SMITは、第2の最良のSimMIMの9.97ccと比較して、5.67ccの体積占有率で示される最小数の腫瘍を誤って検出した。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• MRSegmentator: Multi-Modality Segmentation of 40 Classes in MRI and CT [29.48170108608303]
  このモデルは、英国バイオバンクの1200個の手動3D軸MRIスキャン、221個の社内MRIスキャン、1228個のCTスキャンでトレーニングされた。 明確な臓器(肺: DSC 0.96, 心臓: DSC 0.94)と解剖学的変化のある臓器(皮膚: DSC 0.96, 腎臓: DSC 0.95)に対して高い精度を示す。 CTとよく似ており、AMOS CTデータではDSC平均0.84$pm$ 0.11となる。
  論文  参考訳（メタデータ） (2024-05-10T13:15:42Z)
• 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)
• Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
  臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する 深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。 良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。 修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
  論文  参考訳（メタデータ） (2022-11-24T02:55:20Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Brain Tumor Segmentation and Survival Prediction using Automatic Hard mining in 3D CNN Architecture [0.30098583327398537]
  我々は3次元完全畳み込みニューラルネットワーク(CNN)を用いて、マルチモーダル磁気共鳴画像(MRI)からグリオーマとその構成成分を抽出する。 このアーキテクチャでは、密度の高い接続パターンを使用して重量と残留接続数を削減し、BraTS 2018データセットでこのモデルをトレーニングした結果の重量は0.448である。 シース類似度係数(DSC)の閾値を高めて、エポックの増加とともにハードケースを選択することにより、セグメンテーションタスクの難しいケースを訓練するために、トレーニング中にハードマイニングを行う。
  論文  参考訳（メタデータ） (2021-01-05T14:34:16Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• A new semi-supervised self-training method for lung cancer prediction [0.28734453162509355]
  CT(Computerd Tomography)スキャンから結節を同時に検出し、分類する方法は比較的少ない。 本研究は,Nuisy Student法による最先端の自己訓練法を用いて,肺結節の検出と分類を行うための完全なエンドツーエンドスキームを提案する。
  論文  参考訳（メタデータ） (2020-12-17T09:53:51Z)

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。