論文の概要: Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment
- arxiv url: http://arxiv.org/abs/2410.16238v1
- Date: Mon, 21 Oct 2024 17:41:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:16:47.431944
- Title: Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment
- Title(参考訳): 多施設MRIによる前立腺癌の深部放射線検査 : PI-RADSによる検討
- Authors: G. A. Nketiah, M. R. Sunoqrot, E. Sandsmark, S. Langørgen, K. M. Selnæs, H. Bertilsson, M. Elschot, T. F. Bathen,
- Abstract要約: 本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。
深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Objective: To develop and evaluate a deep radiomics model for clinically significant prostate cancer (csPCa, grade group >= 2) detection and compare its performance to Prostate Imaging Reporting and Data System (PI-RADS) assessment in a multicenter cohort. Materials and Methods: This retrospective study analyzed biparametric (T2W and DW) prostate MRI sequences of 615 patients (mean age, 63.1 +/- 7 years) from four datasets acquired between 2010 and 2020: PROSTATEx challenge, Prostate158 challenge, PCaMAP trial, and an in-house (NTNU/St. Olavs Hospital) dataset. With expert annotations as ground truth, a deep radiomics model was trained, including nnU-Net segmentation of the prostate gland, voxel-wise radiomic feature extraction, extreme gradient boost classification, and post-processing of tumor probability maps into csPCa detection maps. Training involved 5-fold cross-validation using the PROSTATEx (n=199), Prostate158 (n=138), and PCaMAP (n=78) datasets, and testing on the in-house (n=200) dataset. Patient- and lesion-level performance were compared to PI-RADS using area under ROC curve (AUROC [95% CI]), sensitivity, and specificity analysis. Results: On the test data, the radiologist achieved a patient-level AUROC of 0.94 [0.91-0.98] with 94% (75/80) sensitivity and 77% (92/120) specificity at PI-RADS >= 3. The deep radiomics model at a tumor probability cut-off >= 0.76 achieved 0.91 [0.86-0.95] AUROC with 90% (72/80) sensitivity and 73% (87/120) specificity, not significantly different (p = 0.068) from PI-RADS. On the lesion level, PI-RADS cut-off >= 3 had 84% (91/108) sensitivity at 0.2 (40/200) false positives per patient, while deep radiomics attained 68% (73/108) sensitivity at the same false positive rate. Conclusion: Deep radiomics machine learning model achieved comparable performance to PI-RADS assessment in csPCa detection at the patient-level but not at the lesion-level.
- Abstract(参考訳): 目的: 臨床的に有意な前立腺癌(csPCa, grade group >= 2)検出のための深部放射線学モデルの開発と評価を行い, その性能を多施設コホートにおける前立腺イメージング報告・データシステム(PI-RADS)評価と比較する。
材料と方法: この振り返り調査は、2010年から2020年に取得した4つのデータセット(ProSTATEx Challenge、Prostate158 Challenge、PCaMAP trial、NTNU/St. Olavs Hospital)から、バイパラメトリック(T2WとDW)前立腺MRI(平均年齢63.1+/-7歳)を解析した。
前立腺のnnU-Netセグメンテーション,voxel-wise radiomic feature extract, extreme gradient boost classification, and postprocessing of tumor probability map into csPCa detection map。
PROSTATEx (n=199)、Prostate158 (n=138)、PCaMAP (n=78)のデータセットを使用して5倍のクロスバリデーションを行い、社内(n=200)のデータセットでテストした。
ROC曲線 (AUROC [95% CI]), 感度, 特異性分析を用いたPI-RADSと比較した。
結果: AUROCは94% (75/80) の感度, 77% (92/120) の特異度をPI-RADS=3。
AUROC は 90% (72/80) の感度, 73% (87/120) の特異性を有し, PI-RADS と有意差は認められなかった (p = 0.068)。
病変レベルでは, PI-RADS cut-off >= 3では, 84% (91/108) の偽陽性が0.2 (40/200) , 深部放射線検査では68% (73/108) の偽陽性が認められた。
結語:Deep Radiomics Machine Learning modelは,csPCa検出におけるPI-RADSアセスメントと同等の性能を示したが,病変レベルには及ばなかった。
関連論文リスト
- Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。
このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。
その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
論文 参考訳(メタデータ) (2024-06-23T01:32:53Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳(メタデータ) (2023-02-02T08:45:17Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - Deep Learning for fully automatic detection, segmentation, and Gleason
Grade estimation of prostate cancer in multiparametric Magnetic Resonance
Images [0.731365367571807]
本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。
PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。
ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
論文 参考訳(メタデータ) (2021-03-23T16:08:43Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳(メタデータ) (2020-12-23T14:38:35Z) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳(メタデータ) (2020-10-28T21:07:09Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳(メタデータ) (2020-04-15T12:30:40Z) - Predicting the risk of pancreatic cancer with a CT-based ensemble AI
algorithm [0.0]
膵癌は致死性疾患であり、診断が困難であり、予後不良と死亡率が高い。
非造影CTによるあらゆる膵病変の普遍的癌リスクを予測するために,アンサンブルAIアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-03T06:06:43Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳(メタデータ) (2020-03-26T15:49:32Z)
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。