論文の概要: Evaluation of radiomic feature harmonization techniques for benign and malignant pulmonary nodules
- arxiv url: http://arxiv.org/abs/2412.16758v1
- Date: Sat, 21 Dec 2024 20:16:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:56:39.819236
- Title: Evaluation of radiomic feature harmonization techniques for benign and malignant pulmonary nodules
- Title(参考訳): 良性および悪性肺結節に対する放射線学的特徴調和法の評価
- Authors: Claire Huchthausen, Menglin Shi, Gabriel L. A. de Sousa, Jonathan Colen, Emery Shelley, James Larner, Krishni Wijesooriya,
- Abstract要約: 肺結節(PNs)の放射線学的特徴は肺癌の診断に有効であるが, 医学的画像取得の多様性は臨床応用の障害となる。
放射線学的特徴の獲得依存性を補正する際の良性PNと悪性PNの相違について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: BACKGROUND: Radiomics provides quantitative features of pulmonary nodules (PNs) which could aid lung cancer diagnosis, but medical image acquisition variability is an obstacle to clinical application. Acquisition effects may differ between radiomic features from benign vs. malignant PNs. PURPOSE: We evaluated how to account for differences between benign and malignant PNs when correcting radiomic features' acquisition dependency. METHODS: We used 567 chest CT scans grouped as benign, malignant, or lung cancer screening (mixed benign, malignant). ComBat harmonization was applied to extracted features for variation in 4 acquisition parameters. We compared: harmonizing without distinction, harmonizing with a covariate to preserve distinctions between subgroups, and harmonizing subgroups separately. Significant ($p\le0.05$) Kruskal-Wallis tests showed whether harmonization removed acquisition dependency. A LASSO-SVM pipeline was trained on successfully harmonized features to predict malignancy. To evaluate predictive information in these features, the trained harmonization estimators and predictive model were applied to unseen test sets. Harmonization and predictive performance were assessed for 10 trials of 5-fold cross-validation. RESULTS: An average 2.1% of features (95% CI:1.9-2.4%) were acquisition-independent when harmonized without distinction, 27.3% (95% CI:25.7-28.9%) when harmonized with a covariate, and 90.9% (95% CI:90.4-91.5%) when harmonized separately. Data harmonized separately or with a covariate trained models with higher ROC-AUC for screening scans than data harmonized without distinction between benign and malignant PNs (Delong test, adjusted $p\le0.05$). CONCLUSIONS: Radiomic features of benign and malignant PNs need different corrective transformations to recover acquisition-independent distributions. This can be done by harmonizing separately or with a covariate.
- Abstract(参考訳): BACKGROUND: 放射線療法は肺がん診断に役立つ肺結節(PN)の定量的特徴を提供するが、医療画像取得のばらつきは臨床応用の障害となる。
放射線学的特徴は良性PNと悪性PNとの違いがある。
PURPOSE: 放射線学的特徴の獲得依存性を補正する際, 良性PNと悪性PNの相違について検討した。
方法: 良性, 悪性, 肺がん検診(混合良性, 悪性) 567例の胸部CT検査を行った。
コンバットハーモニゼーションを抽出した特徴量に応用し, 4つの獲得パラメータの変動について検討した。
我々は,区別のない調和,部分群間の区別を維持するための共変分節との調和,および部分群を別々に調和させることを比較した。
重要な (p\le0.05$) Kruskal-Wallis テストは、ハーモニゼーションが買収依存を除去したかどうかを示した。
LASSO-SVMパイプラインは、悪性度を予測するために正常に調和した機能について訓練された。
これらの特徴の予測情報を評価するために,訓練された調和度推定器と予測モデルを適用した。
5倍クロスバリデーションの10試験において,高調波化と予測性能を評価した。
RESULTS: 平均2.1%(95% CI:1.9-2.4%)は、区別なしで調和する場合は買収非依存、27.3%(95% CI:25.7-28.9%)は共変量で調和する場合は90.9%(95% CI:90.4-91.5%)である。
良性PNと悪性PNを区別せずに調和したデータ(Delong test, adjusted $p\le0.05$)よりも、スキャンのスクリーニングにROC-AUCを併用したハーモネート訓練モデルと併用した。
CONCLUSIONS: 良性および悪性PNの放射線学的特徴は、獲得非依存の分布を回復するために異なる補正的変換を必要とする。
これは別々に、または共変量で調和して行うことができる。
関連論文リスト
- Improving Fairness of Automated Chest X-ray Diagnosis by Contrastive
Learning [19.948079693716075]
提案するAIモデルは、教師付きコントラスト学習を利用して、CXR診断におけるバイアスを最小限にする。
77,887個のCXR画像を用いたMIDRCデータセットと,112,120個のCXR画像を用いたNIH Chest X-rayデータセットの2つのデータセットについて評価を行った。
論文 参考訳(メタデータ) (2024-01-25T20:03:57Z) - Automatic Classification of Symmetry of Hemithoraces in Canine and
Feline Radiographs [0.0]
畳み込みニューラルネットワーク(CNN)とアクティブな輪郭に基づくヘミトトラス分割法を提案する。
提案手法のロバスト性を検証するため, 被曝・露出過多に対するソラックスセグメンテーション法を用いて, 適切に露光したラジオグラフィーを合成的に劣化させた。
論文 参考訳(メタデータ) (2023-02-24T22:46:16Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - Incremental Value and Interpretability of Radiomics Features of Both
Lung and Epicardial Adipose Tissue for Detecting the Severity of COVID-19
Infection [4.772846544299196]
現在のセグメンテーション法は位置情報を考慮していない。
新型コロナウイルス(COVID-19)の検出は、解釈可能性を制限するEATラジオミクスの特徴に対する厳格な考慮を欠いている。
本研究は、新型コロナウイルス感染症の重症度を検出するために、EATおよび肺からの放射能の特徴を用いることを検討する。
論文 参考訳(メタデータ) (2023-01-29T03:31:51Z) - Open-radiomics: A Collection of Standardized Datasets and a Technical
Protocol for Reproducible Radiomics Machine Learning Pipelines [0.0]
オープンラジオミクス、一連のラジオミクスデータセット、包括的なラジオミクスパイプラインを紹介する。
BraTS 2020オープンソースMR(Magnetic Resonance Imaging)データセットで実験が行われた。
binWidthや画像正規化とは異なり,腫瘍の亜領域と画像の配列はモデルの性能に大きく影響した。
論文 参考訳(メタデータ) (2022-07-29T16:37:46Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳(メタデータ) (2021-05-06T10:21:28Z) - Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance
Learning and Radiomics [13.028105771052376]
肺癌の診断をmil(multiple instance learning)問題として扱うことで,臨床における診断過程をよりよく反映する。
分類アルゴリズムとして、放射能を入力特徴の源と深い注意に基づくMILを選択しました。
その結果,平均(SEM)が0.069の標準誤差,0.870(SEM 0.061)のリコール,0.928(SEM 0.078)の正の予測値,0.591(SEM 0.155)の負の予測値,0.842(AUC)の曲線下領域で0.807の平均精度が得られた。
論文 参考訳(メタデータ) (2021-04-29T21:04:02Z) - 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) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - A multicenter study on radiomic features from T$_2$-weighted images of a
customized MR pelvic phantom setting the basis for robust radiomic models in
clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。
放射線学的特徴の再現性と再配置を評価した。
論文 参考訳(メタデータ) (2020-05-14T09:24:48Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。