論文の概要: Cross-Phase Mutual Learning Framework for Pulmonary Embolism Identification on Non-Contrast CT Scans

• arxiv url: http://arxiv.org/abs/2407.11529v1
• Date: Tue, 16 Jul 2024 09:29:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 15:52:20.915660
• Title: Cross-Phase Mutual Learning Framework for Pulmonary Embolism Identification on Non-Contrast CT Scans
• Title（参考訳）: 非コントラストCTスキャンにおける肺塞栓症同定のための相互学習フレームワーク
• Authors: Bizhe Bai, Yan-Jie Zhou, Yujian Hu, Tony C. W. Mok, Yilang Xiang, Le Lu, Hongkun Zhang, Minfeng Xu,
• Abstract要約: 肺塞栓症 (PE) は, 急速かつ正確な診断が困難であるが, 主に非定型的な症状を呈する疾患である。 我々は,CTAからNCTスキャンへの知識伝達を促進する新しいクロスパス・ミューチュアル・ラーニング・フレームワーク (CPMN) を提案する。 CPMNは、NCTスキャンにおける患者レベルの感度と特異性において95.4%と99.6%の顕著な識別性能を達成している。
• 参考スコア（独自算出の注目度）: 7.732867194190985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary embolism (PE) is a life-threatening condition where rapid and accurate diagnosis is imperative yet difficult due to predominantly atypical symptomatology. Computed tomography pulmonary angiography (CTPA) is acknowledged as the gold standard imaging tool in clinics, yet it can be contraindicated for emergency department (ED) patients and represents an onerous procedure, thus necessitating PE identification through non-contrast CT (NCT) scans. In this work, we explore the feasibility of applying a deep-learning approach to NCT scans for PE identification. We propose a novel Cross-Phase Mutual learNing framework (CPMN) that fosters knowledge transfer from CTPA to NCT, while concurrently conducting embolism segmentation and abnormality classification in a multi-task manner. The proposed CPMN leverages the Inter-Feature Alignment (IFA) strategy that enhances spatial contiguity and mutual learning between the dual-pathway network, while the Intra-Feature Discrepancy (IFD) strategy can facilitate precise segmentation of PE against complex backgrounds for single-pathway networks. For a comprehensive assessment of the proposed approach, a large-scale dual-phase dataset containing 334 PE patients and 1,105 normal subjects has been established. Experimental results demonstrate that CPMN achieves the leading identification performance, which is 95.4\% and 99.6\% in patient-level sensitivity and specificity on NCT scans, indicating the potential of our approach as an economical, accessible, and precise tool for PE identification in clinical practice.
• Abstract（参考訳）: 肺塞栓症 (PE) は, 急速かつ正確な診断が困難であるが, 主に非定型的な症状を呈する疾患である。 肺動脈造影(CTPA)はクリニックでは金の標準画像診断ツールとして認められているが,緊急部(ED)患者に対しては禁忌であり,非造影CT(NCT)スキャンでPEの同定が必要である。 本研究では,PE識別のための深層学習手法をNCTスキャンに適用する可能性について検討する。 我々は,CTPAからNCTへの知識伝達を促進するクロスパス・ミューチュアル・ラーニング・フレームワーク(CPMN)を提案する。 提案したCPMNは,2経路ネットワーク間の空間的整合性と相互学習を向上するIFA(Inter-Feature Alignment)戦略を活用する一方,IFD(Intra-Feature Disrepancy)戦略は,単一経路ネットワークの複雑な背景に対するPEの正確なセグメンテーションを容易にする。 提案手法を総合的に評価するために,334名のPE患者と1,105名の健常者を含む大規模二重位相データセットを構築した。 CPMNは,NCTスキャンにおける患者レベルの感度および特異性において95.4\%,99.6\%の先行的識別性能を達成し,臨床におけるPE識別の経済的,アクセス性,正確なツールとしてのアプローチの可能性を示した。

関連論文リスト

• SCUNet++: Swin-UNet and CNN Bottleneck Hybrid Architecture with Multi-Fusion Dense Skip Connection for Pulmonary Embolism CT Image Segmentation [2.7258121537483126]
  肺塞栓症 (PE) は右室肥大と重症症例の不全につながる肺疾患である。 従来のPE検出は、画像技術の限界により臨床実践における課題を呈する。 SCUNet++ (Swin Conv UNet++) と呼ばれる自動PEセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-12-22T14:06:03Z)
• PECon: Contrastive Pretraining to Enhance Feature Alignment between CT and EHR Data for Improved Pulmonary Embolism Diagnosis [0.8213829427624407]
  コントラスト学習(PECon)を用いた肺塞栓症検出法を提案する。 PEConは、患者のCTスキャンとEHRデータの両方を利用する教師付きコントラスト事前訓練戦略である。 その結果,提案手法は既存の手法より優れており,RadFusionデータセット上での最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2023-08-27T09:07:26Z)
• HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic Joint Infection Diagnosis Using CT Images and Text [0.0]
  補綴関節感染症(PJI)は重篤な合併症である。 現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。 本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
  論文  参考訳（メタデータ） (2023-05-29T11:25:57Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Dual-Branch Squeeze-Fusion-Excitation Module for Cross-Modality Registration of Cardiac SPECT and CT [8.366154384108464]
  心筋SPECTとCT由来のu-mapを登録するためのDuSFE (Dual-Branch Squeeze-Fusion-Excitation) モジュールを提案する。 DuSFEは、複数のモダリティからの知識を融合させ、各モダリティに対するチャネルワイドと空間的特徴の両方を再検討する。
  論文  参考訳（メタデータ） (2022-06-10T01:44:06Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Automatic Diagnosis of Pulmonary Embolism Using an Attention-guided Framework: A Large-scale Study [5.4009326643013065]
  肺塞栓症 (PE) は、高い死亡率と致死性を伴う致命的な疾患である。 胸部CTでPEを検出するための深層学習モデルについて, 2段階のトレーニング戦略を用いて検討した。
  論文  参考訳（メタデータ） (2020-05-29T20:46:24Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。