論文の概要: MiniGPT-Pancreas: Multimodal Large Language Model for Pancreas Cancer Classification and Detection

• arxiv url: http://arxiv.org/abs/2412.15925v1
• Date: Fri, 20 Dec 2024 14:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:23:48.736473
• Title: MiniGPT-Pancreas: Multimodal Large Language Model for Pancreas Cancer Classification and Detection
• Title（参考訳）: MiniGPT-PAncreas:膵癌分類と検出のための多モード大言語モデル
• Authors: Andrea Moglia, Elia Clement Nastasio, Luca Mainardi, Pietro Cerveri,
• Abstract要約: 膵癌診断のための多モーダル大言語モデル(MLLM)であるMiniGPT-PAncreasを報告する。 MiniGPT-Pancreasは膵の検出,腫瘍分類,腫瘍検出のプロンプトとして細調整された。
• 参考スコア（独自算出の注目度）: 0.5714074111744111
• License:
• Abstract: Problem: Pancreas radiological imaging is challenging due to the small size, blurred boundaries, and variability of shape and position of the organ among patients. Goal: In this work we present MiniGPT-Pancreas, a Multimodal Large Language Model (MLLM), as an interactive chatbot to support clinicians in pancreas cancer diagnosis by integrating visual and textual information. Methods: MiniGPT-v2, a general-purpose MLLM, was fine-tuned in a cascaded way for pancreas detection, tumor classification, and tumor detection with multimodal prompts combining questions and computed tomography scans from the National Institute of Health (NIH), and Medical Segmentation Decathlon (MSD) datasets. The AbdomenCT-1k dataset was used to detect the liver, spleen, kidney, and pancreas. Results: MiniGPT-Pancreas achieved an Intersection over Union (IoU) of 0.595 and 0.550 for the detection of pancreas on NIH and MSD datasets, respectively. For the pancreas cancer classification task on the MSD dataset, accuracy, precision, and recall were 0.876, 0.874, and 0.878, respectively. When evaluating MiniGPT-Pancreas on the AbdomenCT-1k dataset for multi-organ detection, the IoU was 0.8399 for the liver, 0.722 for the kidney, 0.705 for the spleen, and 0.497 for the pancreas. For the pancreas tumor detection task, the IoU score was 0.168 on the MSD dataset. Conclusions: MiniGPT-Pancreas represents a promising solution to support clinicians in the classification of pancreas images with pancreas tumors. Future research is needed to improve the score on the detection task, especially for pancreas tumors.
• Abstract（参考訳）: 問題点: 膵臓X線像は, 小径, ぼやけた境界, 臓器の形状, 位置の変動が原因で, 困難である。 目的:本研究では,マルチモーダル大言語モデル(MLLM)であるMiniGPT-PAncreasを対話型チャットボットとして紹介し,視覚情報とテキスト情報を統合することで膵がん診断のクリニックを支援する。 方法: 汎用MLLMであるMiniGPT-v2は、膵臓検出、腫瘍分類、腫瘍検出のためのカスケードな方法で微調整され、質問とNIH(National Institute of Health)のCTスキャンとMSD(Mesical Segmentation Decathlon)データセットを組み合わせたマルチモーダルプロンプトが導入された。 AbdomenCT-1kデータセットは肝臓、脾臓、腎臓、膵臓を検出するために使用された。 結果: MiniGPT-PAncreas は NIH および MSD データセット上の膵の検出において 0.595 と 0.550 の IoU (Intersection over Union) を達成した。 MSDデータセットの膵癌分類では, 精度, 精度, リコール率は0.876, 0.874, 0.878であった。 多臓器検出のためのAbdomenCT-1kデータセットでMiniGPT-PAncreasを評価する際、IoUは肝臓が0.8399、腎臓が0.722、脾臓が0.705、膵が0.497であった。 膵腫瘍検出タスクでは,MSDデータセットではIoUスコアが0.168であった。 結論: MiniGPT-PAncreas は膵腫瘍を伴う膵臓画像の分類において臨床医を支援するための有望な解決策である。 特に膵腫瘍における検出作業のスコアを改善するためには,今後の研究が必要である。

関連論文リスト

• Using YOLO v7 to Detect Kidney in Magnetic Resonance Imaging [1.1567496318601842]
  医用画像ライブラリを用いた半教師ありアプローチによる腎臓検出のための高性能モデルを開発した。 モデルの一般化性を評価するには、さらなる外部検証が必要である。
  論文  参考訳（メタデータ） (2024-02-08T16:54:20Z)
• Detection and Segmentation of Pancreas using Morphological Snakes and Deep Convolutional Neural Networks [0.0]
  膵癌は最も致命的なタイプのがんの1つであり、診断された患者の25%は1年間しか生存せず、6%は5年間生存している。 このような画像の高度な解析は、しばしば時間を要する課題である膵を手動で分割する必要がある。 本論文は, 膵分画の2段階的アプローチについて検討し, この課題に対処するものである。 このセグメンテーションタスクは、形態的アクティブな輪郭アルゴリズムと同様に、収穫データに適用された修正されたU-Netモデルによって取り組まれる。
  論文  参考訳（メタデータ） (2023-02-13T13:43:50Z)
• Non-invasive Liver Fibrosis Screening on CT Images using Radiomics [0.0]
  本研究の目的は,肝のCTで肝線維症を検出するための放射能機械学習モデルの開発と評価である。 肝線維症スクリーニングモデルの開発には,AUCの最高値と組み合わせ,選択された特徴を併用した。
  論文  参考訳（メタデータ） (2022-11-25T22:33:22Z)
• A Pathologist-Informed Workflow for Classification of Prostate Glands in Histopathology [62.997667081978825]
  病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。 がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。 本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
  論文  参考訳（メタデータ） (2022-09-27T14:08:19Z)
• Improved Pancreatic Tumor Detection by Utilizing Clinically-Relevant Secondary Features [6.132193527180974]
  膵臓がんは、がん関連死亡の世界的な原因の1つである。 本稿では,周囲の解剖学的構造の臨床的特徴を利用した膵腫瘍の検出法を提案する。
  論文  参考訳（メタデータ） (2022-08-06T20:38:25Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Predicting Axillary Lymph Node Metastasis in Early Breast Cancer Using Deep Learning on Primary Tumor Biopsy Slides [17.564585510792227]
  深達度学習(DL)に基づく原発性腫瘍生検シグネチャを作製し,扁平上皮リンパ節(ALN)の転移を予測した。 2010年5月から2020年8月までに約1,058人のEBC患者がALNと診断された。
  論文  参考訳（メタデータ） (2021-12-04T02:23:18Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。