論文の概要: MPBD-LSTM: A Predictive Model for Colorectal Liver Metastases Using Time Series Multi-phase Contrast-Enhanced CT Scans

• arxiv url: http://arxiv.org/abs/2412.01973v1
• Date: Mon, 02 Dec 2024 21:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:42:25.689022
• Title: MPBD-LSTM: A Predictive Model for Colorectal Liver Metastases Using Time Series Multi-phase Contrast-Enhanced CT Scans
• Title（参考訳）: MPBD-LSTM : Time Series Multi-phase Contrast-Enhanced CT Scans を用いた大腸癌肝転移予測モデル
• Authors: Xueyang Li, Han Xiao, Weixiang Weng, Xiaowei Xu, Yiyu Shi,
• Abstract要約: 我々は,大腸癌肝転移の予測方法を評価するため,最先端のディープラーニング技術を構築した。 実験の結果,MPBD-LSTMと呼ばれる3次元双方向LSTMに基づくマルチプレーンアーキテクチャが最適であることがわかった。
• 参考スコア（独自算出の注目度）: 8.437136847051546
• License:
• Abstract: Colorectal cancer is a prevalent form of cancer, and many patients develop colorectal cancer liver metastasis (CRLM) as a result. Early detection of CRLM is critical for improving survival rates. Radiologists usually rely on a series of multi-phase contrast-enhanced computed tomography (CECT) scans done during follow-up visits to perform early detection of the potential CRLM. These scans form unique five-dimensional data (time, phase, and axial, sagittal, and coronal planes in 3D CT). Most of the existing deep learning models can readily handle four-dimensional data (e.g., time-series 3D CT images) and it is not clear how well they can be extended to handle the additional dimension of phase. In this paper, we build a dataset of time-series CECT scans to aid in the early diagnosis of CRLM, and build upon state-of-the-art deep learning techniques to evaluate how to best predict CRLM. Our experimental results show that a multi-plane architecture based on 3D bi-directional LSTM, which we call MPBD-LSTM, works best, achieving an area under curve (AUC) of 0.79. On the other hand, analysis of the results shows that there is still great room for further improvement.
• Abstract（参考訳）: 大腸癌はがんの主流であり、多くの患者が大腸癌肝転移(CRLM)を発症する。 CRLMの早期検出は生存率の向上に重要である。 放射線学者は通常、CRLMを早期に検出するために、追跡訪問中に行われた多相コントラスト造影CT(CECT)スキャンに頼っている。 これらのスキャンは、ユニークな5次元データ(時間、位相、軸、矢状、および3次元CTにおけるコロナ面)を形成する。 既存のディープラーニングモデルの多くは容易に4次元データ(時系列3次元CT画像など)を処理でき、位相の付加的な次元を扱うためにどのように拡張できるかは明らかではない。 本稿では,CRLMの早期診断を支援するために時系列CECTスキャンのデータセットを構築し,最先端のディープラーニング技術を用いてCRLMの最適予測法を評価する。 実験の結果,MPBD-LSTMと呼ばれる3次元双方向LSTMに基づく多面構造が最適であり,曲線下面積が0.79であることがわかった。 一方, 分析の結果から, さらなる改善の余地がまだ残っていることが示唆された。

関連論文リスト

• 4D VQ-GAN: Synthesising Medical Scans at Any Time Point for Personalised Disease Progression Modelling of Idiopathic Pulmonary Fibrosis [5.926086195644801]
  我々は,IPF患者をリアルなCTボリュームで生成できるモデルである4D-VQ-GAN(4D Vector Quantated Generative Adversarial Networks)を提案する。 縦断的CT画像を生成するためのモデルの異なる構成を評価し, 結果と地中真理データを比較した。
  論文  参考訳（メタデータ） (2025-02-08T22:25:53Z)
• MEDFORM: A Foundation Model for Contrastive Learning of CT Imaging and Clinical Numeric Data in Multi-Cancer Analysis [0.562479170374811]
  我々は,CT画像表現学習を指導するマルチモーダル事前学習戦略であるMEDFORMを提案する。 MEDFORMは、複数のインスタンス学習(MIL)を通してCTスライスを効率的に処理し、二重事前学習戦略を採用する。 肺癌 (141,171スライス), 乳癌 (8,100スライス), 大腸癌 (10,393スライス) の3種類の癌を事前訓練した。
  論文  参考訳（メタデータ） (2025-01-22T23:56:37Z)
• A CNN-Transformer for Classification of Longitudinal 3D MRI Images -- A Case Study on Hepatocellular Carcinoma Prediction [0.0]
  HCCNetは、ConvNeXt CNNアーキテクチャの3D適応とTransformerエンコーダを統合する新しいモデルアーキテクチャである。 その結果,HCCNetはベースラインモデルよりも予測精度と信頼性を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-01-18T11:39:46Z)
• 3D-CT-GPT: Generating 3D Radiology Reports through Integration of Large Vision-Language Models [51.855377054763345]
  本稿では,VQAに基づく医用視覚言語モデルである3D-CT-GPTについて紹介する。 パブリックデータセットとプライベートデータセットの両方の実験により、3D-CT-GPTはレポートの正確さと品質という点で既存の手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2024-09-28T12:31:07Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans [13.882367716329387]
  肺結節の管理においてはCTスキャンの直径変化から, 進展を予測することが望ましい。 肺結節の成長傾向予測の性能向上のためには, 連続CTで同じ結節の変化を比較することが不可欠である。
  論文  参考訳（メタデータ） (2022-06-07T06:44:56Z)
• Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning [2.744770849264355]
  低用量CTによる肺がん検診(LCS)は肺がん死亡率を著しく低下させることが証明された。 肺結節の悪性度リスクの階層化を改善するには, マシン/ディープ学習アルゴリズムが有用である。 本稿では,時系列深層学習モデル(DeepCAD-NLM-L)の性能について述べる。
  論文  参考訳（メタデータ） (2022-03-30T18:40:36Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• Spatio-spectral deep learning methods for in-vivo hyperspectral laryngeal cancer detection [49.32653090178743]
  頭頸部腫瘍の早期発見は患者の生存に不可欠である。 ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。 HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T17:07:18Z)
• Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via Alignment Ensemble [77.5625174267105]
  膵管腺癌(PDAC)は最も致命的ながんの1つである。 複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。 PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-03-18T19:06:27Z)

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。