論文の概要: LIDIA: Precise Liver Tumor Diagnosis on Multi-Phase Contrast-Enhanced CT via Iterative Fusion and Asymmetric Contrastive Learning
- arxiv url: http://arxiv.org/abs/2407.13217v1
- Date: Thu, 18 Jul 2024 07:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 16:32:17.789622
- Title: LIDIA: Precise Liver Tumor Diagnosis on Multi-Phase Contrast-Enhanced CT via Iterative Fusion and Asymmetric Contrastive Learning
- Title（参考訳）: LIDIA:イテレーティブフュージョンと非対称コントラスト学習による多相造影CTの肝腫瘍診断
- Authors: Wei Huang, Wei Liu, Xiaoming Zhang, Xiaoli Yin, Xu Han, Chunli Li, Yuan Gao, Yu Shi, Le Lu, Ling Zhang, Lei Zhang, Ke Yan,
- Abstract要約: LIDIAと命名された多相造影CTを用いたLIver腫瘍DIAgnosisネットワークを現実シナリオとして提案する。
症例は1,921例,8,138例であった。
LIDIAは8種類の病変に対して平均93.6%のAUCを達成し、その効果を実証している。
- 参考スコア（独自算出の注目度）: 26.628742010072756
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The early detection and precise diagnosis of liver tumors are tasks of critical clinical value, yet they pose significant challenges due to the high heterogeneity and variability of liver tumors. In this work, a precise LIver tumor DIAgnosis network on multi-phase contrast-enhance CT, named LIDIA, is proposed for real-world scenario. To fully utilize all available phases in contrast-enhanced CT, LIDIA first employs the iterative fusion module to aggregate variable numbers of image phases, thereby capturing the features of lesions at different phases for better tumor diagnosis. To effectively mitigate the high heterogeneity problem of liver tumors, LIDIA incorporates asymmetric contrastive learning to enhance the discriminability between different classes. To evaluate our method, we constructed a large-scale dataset comprising 1,921 patients and 8,138 lesions. LIDIA has achieved an average AUC of 93.6% across eight different types of lesions, demonstrating its effectiveness. Besides, LIDIA also demonstrated strong generalizability with an average AUC of 89.3% when tested on an external cohort of 828 patients.
- Abstract（参考訳）: 肝腫瘍の早期発見と正確な診断は臨床的に重要な課題であるが,肝腫瘍の多様性と多様性が高いことから,重要な課題となっている。
そこで本研究では,多相造影CTを用いたLIver腫瘍DIAgnosisネットワーク(LIDIA)を提案する。
造影CTで利用可能なすべての位相をフル活用するために、LIDIAはまず反復融合モジュールを使用して画像位相の変動数を集計し、異なる位相の病変の特徴を捉えて腫瘍の診断を改善する。
肝腫瘍の高均一性問題を効果的に緩和するために、LIDIAは非対称コントラスト学習を導入し、異なるクラス間の差別性を高める。
本手法を評価するため,1,921例と8,138例からなる大規模データセットを構築した。
LIDIAは8種類の病変に対して平均93.6%のAUCを達成し、その効果を実証している。
さらに、LIDIAは828人の外部コホートで検査すると平均89.3%のAUCで強い一般化性を示した。
関連論文リスト
- Improved Esophageal Varices Assessment from Non-Contrast CT Scans [15.648325577912608]
食道静脈瘤(EV)は門脈圧亢進による重篤な健康上の問題である。
非造影CT(non-contrast Computed Tomography, NC-CT)は, 安価で非侵襲的な画像モダリティであるにもかかわらず, EV評価のための主要な臨床診断ツールとして完全には受け入れられていない。
我々は,NC-CTスキャンにおける重要な臓器機能の解析を改良し,EVを効果的に評価するMulti-Organ-cOhesion-Network(MOON)を提案する。
論文 参考訳（メタデータ） (2024-07-18T06:49:10Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient
Network [37.931408083443074]
Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。
PLANは95%と96%の患者レベルの感度と特異性を達成している。
造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
論文 参考訳（メタデータ） (2023-07-17T06:21:45Z) - A Cascaded Approach for ultraly High Performance Lesion Detection and
False Positive Removal in Liver CT Scans [15.352636778576171]
肝臓がんは世界中で高い死亡率と死亡率を持っている。
CT画像における肝病変の自動検出と分類は、臨床ワークフローを改善する可能性がある。
本研究では,多相CT画像のためのマルチオブジェクトラベリングツールをカスタマイズする。
論文 参考訳（メタデータ） (2023-06-28T09:11:34Z) - CancerUniT: Towards a Single Unified Model for Effective Detection,
Segmentation, and Diagnosis of Eight Major Cancers Using a Large Collection
of CT Scans [45.83431075462771]
ヒトの読者や放射線医は、臨床実践において、全身多臓器多臓器の検出と診断を日常的に行う。
ほとんどの医療用AIシステムは、いくつかの疾患のリストの狭い単一の臓器に焦点を当てて構築されている。
CancerUniT は、マルチ腫瘍予測の出力を持つクエリベースの Mask Transformer モデルである。
論文 参考訳（メタデータ） (2023-01-28T20:09:34Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Contrastive Representation Learning for Rapid Intraoperative Diagnosis
of Skull Base Tumors Imaged Using Stimulated Raman Histology [26.194247664756553]
頭蓋底腫瘍の術中診断は,腫瘍の多様性と術中病理資源の不足により困難である。
頭蓋底腫瘍の迅速かつ正確な診断を可能とする,独立かつ平行な術中病理ワークフローを開発した。
論文 参考訳（メタデータ） (2021-08-08T02:49:29Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。