Fugu-MT 論文翻訳(概要): Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection

論文の概要: Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection

arxiv url: http://arxiv.org/abs/2406.12177v1
Date: Tue, 18 Jun 2024 01:08:42 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 23:18:17.383129
Title: Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection
Title（参考訳）: 前立腺癌検出のための位置情報を用いた半教師あり学習
Authors: Alex Chen, Nathan Lay, Stephanie Harmon, Kutsev Ozyoruk, Enis Yilmaz, Brad J. Wood, Peter A. Pinto, Peter L. Choyke, Baris Turkbey,
Abstract要約: 本稿では,臨床情報の自動抽出による半教師付き学習(SSL)の新たな手法を提案する。本手法は無注釈画像を用いて前立腺病変の検出を改善することができることを示す。
参考スコア（独自算出の注目度）: 1.926039735147558
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prostate cancer is one of the most prevalent malignancies in the world. While deep learning has potential to further improve computer-aided prostate cancer detection on MRI, its efficacy hinges on the exhaustive curation of manually annotated images. We propose a novel methodology of semisupervised learning (SSL) guided by automatically extracted clinical information, specifically the lesion locations in radiology reports, allowing for use of unannotated images to reduce the annotation burden. By leveraging lesion locations, we refined pseudo labels, which were then used to train our location-based SSL model. We show that our SSL method can improve prostate lesion detection by utilizing unannotated images, with more substantial impacts being observed when larger proportions of unannotated images are used.
Abstract（参考訳）: 前立腺癌は世界で最も多い悪性腫瘍の1つである。ディープラーニングはMRIでコンピュータ支援された前立腺がんの検出をさらに改善する可能性があるが、その効果は手動で注釈付けされた画像の徹底的なキュレーションに依存している。本稿では,臨床情報,特に放射線診断報告の病変位置を自動抽出し,アノテーションの負担を軽減するために注釈付き画像を使用することで,半教師付き学習(SSL)の新たな手法を提案する。病変位置を利用して擬似ラベルを改良し,位置に基づくSSLモデルのトレーニングに使用した。本手法は,無注釈画像を用いて前立腺病変の検出を改善できることを示す。

関連論文リスト

Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文参考訳（メタデータ） (2024-05-23T07:03:38Z)
Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles [11.070094685209598]
乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
論文参考訳（メタデータ） (2023-03-29T08:41:22Z)
Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer Radiation Treatment from Clinically Available Annotations [0.0]
子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
論文参考訳（メタデータ） (2023-02-21T13:24:40Z)
DrasCLR: A Self-supervised Framework of Learning Disease-related and Anatomy-specific Representation for 3D Medical Images [23.354686734545176]
3次元医用イメージングのための新しいSSLフレームワークDrasCLRを提案する。本研究では, 局所解剖学的領域内の微妙な疾患パターンを捉えることを目的としており, 大規模領域にまたがる深刻な疾患パターンを表現することを目的としている。
論文参考訳（メタデータ） (2023-02-21T01:32:27Z)
PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文参考訳（メタデータ） (2023-01-02T17:47:27Z)
BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文参考訳（メタデータ） (2021-10-05T19:14:46Z)
Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文参考訳（メタデータ） (2021-09-22T15:06:06Z)
An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文参考訳（メタデータ） (2021-03-02T13:14:15Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning [2.4178424543973267]
診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
論文参考訳（メタデータ） (2020-02-16T10:29:16Z)

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。