論文の概要: Guiding the classification of hepatocellular carcinoma on 3D CT-scans using deep and handcrafted radiological features
- arxiv url: http://arxiv.org/abs/2501.08097v1
- Date: Tue, 14 Jan 2025 13:10:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-15 13:26:48.531513
- Title: Guiding the classification of hepatocellular carcinoma on 3D CT-scans using deep and handcrafted radiological features
- Title(参考訳): 深部および手技による3次元CTスキャンによる肝細胞癌の分類
- Authors: E. Sarfati, A. Bône, M-M. Rohé, C. Aubé, M. Ronot, P. Gori, I. Bloch,
- Abstract要約: 我々は,CT画像から組織学的に発現するHCCを自動予測し,放射線技師間の多様性を低下させる手法を提案する。
まず,問題となるデータベース上でCTスキャンからHCCを正確に予測できないことを示し,LI-RADSシステムにインスパイアされた2段階のアプローチを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Hepatocellular carcinoma is the most spread primary liver cancer across the world ($\sim$80\% of the liver tumors). The gold standard for HCC diagnosis is liver biopsy. However, in the clinical routine, expert radiologists provide a visual diagnosis by interpreting hepatic CT-scans according to a standardized protocol, the LI-RADS, which uses five radiological criteria with an associated decision tree. In this paper, we propose an automatic approach to predict histology-proven HCC from CT images in order to reduce radiologists' inter-variability. We first show that standard deep learning methods fail to accurately predict HCC from CT-scans on a challenging database, and propose a two-step approach inspired by the LI-RADS system to improve the performance. We achieve improvements from 6 to 18 points of AUC with respect to deep learning baselines trained with different architectures. We also provide clinical validation of our method, achieving results that outperform non-expert radiologists and are on par with expert ones.
- Abstract(参考訳): 肝細胞癌は, 肝腫瘍の80 % (\sim$80 %) に最も広く分布する原発性肝癌である。
HCC診断における金の基準は、肝生検である。
しかし, 専門医は, 肝CTスキャンを標準プロトコルであるLI-RADSに従って解釈し, 5つの放射線学的基準と関連する決定木を用いた視覚診断を行う。
本稿では,CT画像から組織学的に発現するHCCの自動予測手法を提案する。
まず,問題となるデータベース上でCTスキャンからHCCを正確に予測できないことを示し,LI-RADSシステムにインスパイアされた2段階のアプローチを提案する。
異なるアーキテクチャでトレーニングされたディープラーニングベースラインに対して,AUCの6点から18点の改善を実現しています。
また, 本手法の臨床的検証を行い, 非専門的放射線科医より優れ, 専門医と同等の成績を示した。
関連論文リスト
- Detecting Underdiagnosed Medical Conditions with Deep Learning-Based Opportunistic CT Imaging [2.0635695607210227]
オポチュニティCTは、診断情報を抽出するために定期的なCT画像を再取得する。
画像表現型とそれに対応する文書との相違点を明らかにするため,2,674個のCTスキャンを解析した。
サルコニア,肝脂肪症,腹水と診断されたスキャンのわずか0.5%,3.2%,30.7%がICDで診断された。
論文 参考訳(メタデータ) (2024-09-18T03:56:56Z) - Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation
classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。
本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文 参考訳(メタデータ) (2024-01-25T14:40:58Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳(メタデータ) (2023-08-27T22:07:42Z) - CoRe: An Automated Pipeline for The Prediction of Liver Resection
Complexity from Preoperative CT Scans [53.561797148529664]
肝切除を複雑にするために重要な位置にある腫瘍が知られている。
CoReは、術後LRの複雑さを予測するための自動化された医療画像処理パイプラインである。
論文 参考訳(メタデータ) (2022-10-15T15:29:24Z) - 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) - 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) - A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI [15.078841623264543]
肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
論文 参考訳(メタデータ) (2021-10-17T13:19:00Z) - 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) - 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) - Automatic segmentation and determining radiodensity of the liver in a
large-scale CT database [0.0]
この技術は、様々な患者位置で得られたCT画像を幅広い露光パラメーターで処理するために使用することができる。
実際の大規模医療データベースでは、100万以上の研究で低用量CTスキャンを処理できる。
論文 参考訳(メタデータ) (2019-12-31T12:41:05Z)
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。