論文の概要: Take Your Steps: Hierarchically Efficient Pulmonary Disease Screening via CT Volume Compression

• arxiv url: http://arxiv.org/abs/2412.01525v2
• Date: Tue, 03 Dec 2024 07:43:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:42:33.825414
• Title: Take Your Steps: Hierarchically Efficient Pulmonary Disease Screening via CT Volume Compression
• Title（参考訳）: 一歩踏み出す:CTボリューム圧縮による階層的に効率的な肺疾患スクリーニング
• Authors: Qian Shao, Kai Zhang, Bang Du, Zepeng Li, Yixuan Wu, Qiyuan Chen, Jian Wu, Jintai Chen, Honghao Gao, Hongxia Xu,
• Abstract要約: 本稿では,肺疾患スクリーニングの計算コストを削減するための階層的アプローチを提案する。 まず,CTVC (Computerd Tomography Volume Compression) 法を提案する。 第2に、選択されたCTスライスを用いて、軽量分類モデルを用いて肺疾患サブセットを検出する。 第3に,放射線技師が再検出した診断信頼性の低い試料の同定に不確実性測定戦略を適用した。
• 参考スコア（独自算出の注目度）: 17.49451070903281
• License:
• Abstract: Deep learning models are widely used to process Computed Tomography (CT) data in the automated screening of pulmonary diseases, significantly reducing the workload of physicians. However, the three-dimensional nature of CT volumes involves an excessive number of voxels, which significantly increases the complexity of model processing. Previous screening approaches often overlook this issue, which undoubtedly reduces screening efficiency. Towards efficient and effective screening, we design a hierarchical approach to reduce the computational cost of pulmonary disease screening. The new approach re-organizes the screening workflows into three steps. First, we propose a Computed Tomography Volume Compression (CTVC) method to select a small slice subset that comprehensively represents the whole CT volume. Second, the selected CT slices are used to detect pulmonary diseases coarsely via a lightweight classification model. Third, an uncertainty measurement strategy is applied to identify samples with low diagnostic confidence, which are re-detected by radiologists. Experiments on two public pulmonary disease datasets demonstrate that our approach achieves comparable accuracy and recall while reducing the time by 50%-70% compared with the counterparts using full CT volumes. Besides, we also found that our approach outperforms previous cutting-edge CTVC methods in retaining important indications after compression.
• Abstract（参考訳）: 深層学習モデルは、肺疾患の自動スクリーニングにおいてCT(Computed Tomography)データを処理するために広く使われており、医師の作業量を大幅に削減している。 しかし、CTボリュームの3次元的性質には過剰な数のボクセルが含まれており、これはモデル処理の複雑さを大幅に増大させる。 以前のスクリーニングアプローチではこの問題を見落としていることが多いが、これは間違いなくスクリーニングの効率を低下させる。 そこで我々は,肺疾患スクリーニングの費用削減のための階層的アプローチを考案した。 新しいアプローチでは、スクリーニングワークフローを3つのステップに再編成する。 まず,CTVC (Computerd Tomography Volume Compression) 法を提案する。 第2に、選択されたCTスライスを用いて、軽量分類モデルにより肺疾患を粗く検出する。 第3に,放射線技師が再検出した診断信頼性の低い試料の同定に不確実性測定戦略を適用した。 2つの公開肺疾患データセットを用いた実験により,本手法は全CTボリュームと比較して50%～70%の時間を短縮し,同等の精度とリコールを実現することが示された。 また,従来のCTVC法よりも圧縮後の重要な指標の維持に優れていた。

関連論文リスト

• MSDet: Receptive Field Enhanced Multiscale Detection for Tiny Pulmonary Nodule [15.790010627377262]
  肺結節は肺癌の早期診断における重要な指標である。 従来のCT画像撮影法は、煩雑な処置、低検出率、ローカライゼーション精度の低下に悩まされていた。 肺小結節検出のためのマルチスケールアテンションおよび受容野ネットワークであるMSDetを提案する。
  論文  参考訳（メタデータ） (2024-09-21T06:08:23Z)
• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Double Integral Enhanced Zeroing Neural Network Optimized with ALSOA fostered Lung Cancer Classification using CT Images [1.1510009152620668]
  肺がんは最も致命的な疾患の1つであり、疾患や死亡の原因となっている。 提案手法は既存の手法で解析した18.32%,27.20%,34.32%の精度で得られた。
  論文  参考訳（メタデータ） (2023-12-05T10:53:35Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• 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)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
  胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。 その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-10-14T22:20:40Z)
• CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
  コントラストCTを非コントラストCTに変換する手法を提案する。 提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。 実験の結果、CyTranは競合するすべての手法より優れています。
  論文  参考訳（メタデータ） (2021-10-12T23:25:03Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• 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)
• 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)

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。