Fugu-MT 論文翻訳(概要): Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation

論文の概要: Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation

arxiv url: http://arxiv.org/abs/2409.13868v1
Date: Fri, 20 Sep 2024 19:47:07 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 04:50:50.842492
Title: Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation
Title（参考訳）: 深層学習に基づく肺結節検出・分節のためのU-Structure
Authors: Mingxiu Sui, Jiacheng Hu, Tong Zhou, Zibo Liu, Likang Wen, Junliang Du,
Abstract要約: 本稿では,肺結節の自動検出とセグメンテーションのための新しいディープラーニング手法を提案する。この手法は、感度、Dice類似度係数、精度、および平均結合断面積(IoU)の点で優れた性能を示す。その結果,本手法はコンピュータ支援診断システムの改善に有意な可能性を秘めていることが明らかとなった。
参考スコア（独自算出の注目度）: 7.53596352508181
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper introduces a novel deep-learning method for the automatic detection and segmentation of lung nodules, aimed at advancing the accuracy of early-stage lung cancer diagnosis. The proposed approach leverages a unique "Channel Squeeze U-Structure" that optimizes feature extraction and information integration across multiple semantic levels of the network. This architecture includes three key modules: shallow information processing, channel residual structure, and channel squeeze integration. These modules enhance the model's ability to detect and segment small, imperceptible, or ground-glass nodules, which are critical for early diagnosis. The method demonstrates superior performance in terms of sensitivity, Dice similarity coefficient, precision, and mean Intersection over Union (IoU). Extensive experiments were conducted on the Lung Image Database Consortium (LIDC) dataset using five-fold cross-validation, showing excellent stability and robustness. The results indicate that this approach holds significant potential for improving computer-aided diagnosis systems, providing reliable support for radiologists in clinical practice and aiding in the early detection of lung cancer, especially in resource-limited settings
Abstract（参考訳）: 本稿では,早期肺癌診断の精度向上を目的とした,肺結節の自動検出・分節のための新しい深層学習法を提案する。提案手法では,ネットワークの複数のセマンティックレベルにわたる特徴抽出と情報統合を最適化する,ユニークな "Channel Squeeze U-Structure" を利用する。このアーキテクチャには、浅い情報処理、チャネル残基構造、チャネルストレッチ統合という3つの重要なモジュールが含まれている。これらのモジュールは、早期診断に欠かせない小さな、知覚不可能な、または地面ガラスの結節を検出し、セグメント化するモデルの能力を増強する。本手法は, 感度, Dice 類似度係数, 精度, IoU (Intersection over Union) において優れた性能を示す。 Lung Image Database Consortium (LIDC)データセットで5倍のクロスバリデーションを用いて大規模な実験を行い、優れた安定性と堅牢性を示した。以上の結果から, 本手法は, コンピュータ支援診断システムの改善に有意な可能性を秘めており, 臨床における放射線科医の信頼性と, 肺がんの早期発見, 特に資源限定環境での担い手として有用であることが示唆された。

関連論文リスト

InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。 IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文参考訳（メタデータ） (2024-08-12T19:19:23Z)
Application of Computer Deep Learning Model in Diagnosis of Pulmonary Nodules [5.058992545593932]
再建法を用いて肺の3次元シミュレーションモデルを構築した。コンピュータ支援肺結節検出モデルを構築した。診断率は従来の診断法に比べて有意に改善した。
論文参考訳（メタデータ） (2024-06-19T04:27:27Z)
Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
論文参考訳（メタデータ） (2023-10-13T23:42:43Z)
MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文参考訳（メタデータ） (2023-04-04T07:05:15Z)
Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文参考訳（メタデータ） (2022-09-05T16:38:13Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
A Coarse-to-fine Morphological Approach With Knowledge-based Rules and Self-adapting Correction for Lung Nodules Segmentation [6.909963425628694]
本稿では,しきい値法の性能を大幅に向上させる粗大な手法を提案する。提案アルゴリズムは,パブリックLIDC-IDRIデータセットとプライベートLC015データセットの両方で最先端の性能を実現する。摘出した結節を正確に分割することのできるほとんどの形態学的手法とは異なり,本法はタイプや直径には全く依存しない。
論文参考訳（メタデータ） (2022-02-07T12:10:37Z)
Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2021-10-27T19:28:36Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。