Fugu-MT 論文翻訳(概要): Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection

論文の概要: Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection

arxiv url: http://arxiv.org/abs/2409.05200v1
Date: Sun, 8 Sep 2024 19:24:38 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 16:58:34.079612
Title: Lung-DETR: Deformable Detection Transformer for Sparse Lung Nodule Anomaly Detection
Title（参考訳）: Lung-DETR:Sparse Lung Nodule Anomaly Detectionのための変形可能な検出変換器
Authors: Hooman Ramezani, Dionne Aleman, Daniel Létourneau,
Abstract要約: CTスキャン画像の正確な肺結節検出は現実の環境では困難である。カスタムデータ前処理とデフォルマブル検出変換器(Deformable-DETR)を利用した新しいソリューションを提案する。 7.5mmの最大強度投影(MIP)を用いて、隣接する肺スライスを単一の画像に組み合わせ、スライス数を減らし、間隔を小さくする。我々のモデルは、94.2%のF1スコア(95.2%のリコール、93.3%の精度)でLUNA16データセットの最先端性能を達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate lung nodule detection for computed tomography (CT) scan imagery is challenging in real-world settings due to the sparse occurrence of nodules and similarity to other anatomical structures. In a typical positive case, nodules may appear in as few as 3% of CT slices, complicating detection. To address this, we reframe the problem as an anomaly detection task, targeting rare nodule occurrences in a predominantly normal dataset. We introduce a novel solution leveraging custom data preprocessing and Deformable Detection Transformer (Deformable- DETR). A 7.5mm Maximum Intensity Projection (MIP) is utilized to combine adjacent lung slices into single images, reducing the slice count and decreasing nodule sparsity. This enhances spatial context, allowing for better differentiation between nodules and other structures such as complex vascular structures and bronchioles. Deformable-DETR is employed to detect nodules, with a custom focal loss function to better handle the imbalanced dataset. Our model achieves state-of-the-art performance on the LUNA16 dataset with an F1 score of 94.2% (95.2% recall, 93.3% precision) on a dataset sparsely populated with lung nodules that is reflective of real-world clinical data.
Abstract（参考訳）: CTスキャン画像の正確な肺結節検出は,結節の希少な発生と他の解剖学的構造との類似性から,現実の環境では困難である。典型的な陽性例では、nodules は 3% のCTスライスに出現し、検出が複雑である。この問題に対処するため、我々は、主に通常のデータセットにおける希少な結節発生をターゲットとして、異常検出タスクとして問題を再構成した。本稿では、カスタムデータ前処理とデフォルマブル検出変換器(Deformable-DETR)を利用した新しいソリューションを提案する。 7.5mmの最大強度投影(MIP)を用いて、隣接する肺スライスを単一の画像に組み合わせ、スライス数を減らし、結節間隔を小さくする。これにより空間的コンテキストが向上し、結節と複雑な血管構造や気管支細管などの他の構造とのより良い分化が可能になる。 Deformable-DETRはnodulesを検出するために使用され、不均衡なデータセットをよりよく扱うためにカスタムの焦点損失関数を使用する。実際の臨床データを反映した肺結節の少ないデータセット上で、F1スコア94.2%(リコール95.2%、精度93.3%)のLUNA16データセット上で、最先端のパフォーマンスを達成する。

関連論文リスト

FCDM: Sparse-view Sinogram Inpainting with Frequency Domain Convolution Enhanced Diffusion Models [14.043383277622874]
シングラムデータに適した新しい拡散型塗布フレームワークを提案する。 FCDMは既存の手法よりも優れており、SSIMが0.95以上、PSNRが30dB以上、SSIMが33%、PSNRが29%である。
論文参考訳（メタデータ） (2024-08-26T12:31:38Z)
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)
Full-resolution Lung Nodule Segmentation from Chest X-ray Images using Residual Encoder-Decoder Networks [21.724154440093216]
肺癌はがん死の主要な原因であり、早期診断は陽性の予後と関連している。コンピュータビジョンは、これまで人間の放射線学者を支援するために提案されてきた。本研究では,効率的なエンコーダデコーダニューラルネットワークを用いた肺結節の局在解析を行った。
論文参考訳（メタデータ） (2023-07-13T04:05:39Z)
Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
論文参考訳（メタデータ） (2023-05-17T09:37:07Z)
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)
Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文参考訳（メタデータ） (2023-03-02T07:47:07Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
Unsupervised Contrastive Learning based Transformer for Lung Nodule Detection [6.693379403133435]
CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。 CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
論文参考訳（メタデータ） (2022-04-30T01:19:00Z)
Debiasing pipeline improves deep learning model generalization for X-ray based lung nodule detection [11.228544549618068]
肺がんは世界中でがん死の主要な原因であり、予後は早期診断に依存している。胸部X線像を均質化し,除染する画像前処理パイプラインは,内部分類と外部一般化の両方を改善することができることを示す。進化的プルーニング機構は、一般に利用可能な肺結節X線データセットから最も情報性の高い画像に基づいて結節検出深層学習モデルを訓練するために用いられる。
論文参考訳（メタデータ） (2022-01-24T10:08:07Z)
Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。