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

• Deep learning-based brain segmentation model performance validation with clinical radiotherapy CT [0.0]
  本研究はCT(Computed Tomography)におけるSynthSegのロバスト脳セグメンテーションモデルを検証する。 The Freesurfer Imaging SuiteのコンポーネントであるSynthSegモデルを用いて、CTとMRIから脳のセグメンテーションを得た。 総合的なQCスコアに基づいてCTの性能はMRIより低いが,QCベースの閾値設定では低品質なセグメンテーションを除外できる。
  論文  参考訳（メタデータ） (2024-06-25T09:56:30Z)
• Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
  膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。 そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。 T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
  論文  参考訳（メタデータ） (2024-05-20T20:37:27Z)
• 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)
• Improving Lesion Volume Measurements on Digital Mammograms [3.267854738349957]
  乳癌の予後予測因子として病変容積が重要である。 本研究では, デジタルマンモグラムにおける病変量測定の精度向上に向けて, 処理したマンモグラムの病変量を推定できるモデルを構築した。
  論文  参考訳（メタデータ） (2023-08-28T07:35:21Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• 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)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19 from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
  胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。 説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。 結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
  論文  参考訳（メタデータ） (2021-01-19T03:04:09Z)
• Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
  我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。 前立腺切除術による脱線をMRIでトレーニングした。 前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
  論文  参考訳（メタデータ） (2020-10-28T21:07:09Z)
• Predicting the risk of pancreatic cancer with a CT-based ensemble AI algorithm [0.0]
  膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。 非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-03T06:06:43Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。