論文の概要: FreeTumor: Large-Scale Generative Tumor Synthesis in Computed Tomography Images for Improving Tumor Recognition

• arxiv url: http://arxiv.org/abs/2502.18519v1
• Date: Sun, 23 Feb 2025 07:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-27 14:58:34.880658
• Title: FreeTumor: Large-Scale Generative Tumor Synthesis in Computed Tomography Images for Improving Tumor Recognition
• Title（参考訳）: FreeTumor:CT画像の大規模生成腫瘍合成による腫瘍認識の改善
• Authors: Linshan Wu, Jiaxin Zhuang, Yanning Zhou, Sunan He, Jiabo Ma, Luyang Luo, Xi Wang, Xuefeng Ni, Xiaoling Zhong, Mingxiang Wu, Yinghua Zhao, Xiaohui Duan, Varut Vardhanabhuti, Pranav Rajpurkar, Hao Chen,
• Abstract要約: FreeTumorは、データ不足を軽減するために大規模な腫瘍合成を可能にする革新的な生成AI(GAI)フレームワークである。 我々は161,310巻のCT(Computerd Tomography)をキュレートすることで,腫瘍の合成と認識のための最大のトレーニングデータセットを作成する。 合成腫瘍の忠実度を検証するため,13名の検診医をビジュアルチューリングテスト(Visual Turing Test)で診察し,合成腫瘍と実腫瘍の鑑別を行った。
• 参考スコア（独自算出の注目度）: 11.984311048958318
• License:
• Abstract: Tumor is a leading cause of death worldwide, with an estimated 10 million deaths attributed to tumor-related diseases every year. AI-driven tumor recognition unlocks new possibilities for more precise and intelligent tumor screening and diagnosis. However, the progress is heavily hampered by the scarcity of annotated datasets, which demands extensive annotation efforts by radiologists. To tackle this challenge, we introduce FreeTumor, an innovative Generative AI (GAI) framework to enable large-scale tumor synthesis for mitigating data scarcity. Specifically, FreeTumor effectively leverages a combination of limited labeled data and large-scale unlabeled data for tumor synthesis training. Unleashing the power of large-scale data, FreeTumor is capable of synthesizing a large number of realistic tumors on images for augmenting training datasets. To this end, we create the largest training dataset for tumor synthesis and recognition by curating 161,310 publicly available Computed Tomography (CT) volumes from 33 sources, with only 2.3% containing annotated tumors. To validate the fidelity of synthetic tumors, we engaged 13 board-certified radiologists in a Visual Turing Test to discern between synthetic and real tumors. Rigorous clinician evaluation validates the high quality of our synthetic tumors, as they achieved only 51.1% sensitivity and 60.8% accuracy in distinguishing our synthetic tumors from real ones. Through high-quality tumor synthesis, FreeTumor scales up the recognition training datasets by over 40 times, showcasing a notable superiority over state-of-the-art AI methods including various synthesis methods and foundation models. These findings indicate promising prospects of FreeTumor in clinical applications, potentially advancing tumor treatments and improving the survival rates of patients.
• Abstract（参考訳）: 腫瘍は世界中で主要な死因であり、毎年1000万人が腫瘍関連疾患によって死亡していると推定されている。 AI駆動型腫瘍認識は、より正確でインテリジェントな腫瘍スクリーニングと診断のための新しい可能性を開く。 しかし、この進歩は注釈付きデータセットの不足によって大きく妨げられ、放射線学者による広範囲にわたる注釈の努力が要求される。 この課題に対処するために、データ不足を軽減するために大規模な腫瘍合成を可能にする革新的な生成AI(GAI)フレームワークであるFreeTumorを紹介する。 具体的には、FreeTumorは腫瘍合成トレーニングに限定ラベル付きデータと大規模ラベルなしデータの組み合わせを効果的に活用する。 大規模なデータのパワーを解放したFreeTumorは、大量のリアルな腫瘍を画像に合成し、トレーニングデータセットを増強する。 そこで我々は,33ソースから161,310のCTボリュームをキュレートし,腫瘍合成と認識のための最大のトレーニングデータセットを構築した。 合成腫瘍の忠実度を検証するため,13名の検診医をビジュアルチューリングテスト(Visual Turing Test)で診察し,合成腫瘍と実腫瘍の鑑別を行った。 臨床検査では51.1%の感度と60.8%の精度で合成腫瘍と実際の腫瘍の鑑別に成功した。 高品質な腫瘍合成を通じて、FreeTumorは認識トレーニングデータセットを40回以上スケールアップし、さまざまな合成方法や基礎モデルを含む最先端のAIメソッドよりも顕著な優位性を示す。 これらの結果は, 臨床応用におけるFreeTumorの有望な可能性, 腫瘍治療の進展, 患者の生存率の向上を示唆している。

関連論文リスト

• Text-Driven Tumor Synthesis [28.654516965292444]
  腫瘍合成はAIがしばしば見逃したり過剰に検出したりする例を生成することができる。 既存の合成法では、特定の腫瘍特性に対する制御性が欠如している。 我々はTextoMorphと呼ばれる新しいテキスト駆動型腫瘍合成手法を提案する。
  論文  参考訳（メタデータ） (2024-12-24T18:43:09Z)
• Analyzing Tumors by Synthesis [11.942932753828854]
  腫瘍合成は、腫瘍検出とセグメンテーションのためのAIトレーニングを支援するために、医療画像に多数の腫瘍例を生成する。 この章では、実データと合成データに関するAI開発についてレビューする。 ケーススタディによると、合成腫瘍で訓練されたAIは、実際のデータで訓練されたAIに匹敵する、あるいはそれ以上のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-09-09T19:51:44Z)
• FreeTumor: Advance Tumor Segmentation via Large-Scale Tumor Synthesis [7.064154713491736]
  FreeTumorは、堅牢な腫瘍合成とセグメンテーションのための堅牢なソリューションである。 合成トレーニングでは、敵のトレーニング戦略を使用して、大規模で多種多様なラベル付きデータを活用している。 FreeTumorでは,腫瘍セグメント化におけるデータスケーリングの法則について,データセットを1万1千件までスケールアップすることで検討する。
  論文  参考訳（メタデータ） (2024-06-03T12:27:29Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• From Pixel to Cancer: Cellular Automata in Computed Tomography [12.524228287083888]
  腫瘍合成は、医療画像に人工腫瘍を作ろうとする。 本稿では腫瘍発生をシミュレートする汎用ルールのセットを確立する。 我々は,腫瘍状態をCT画像に統合し,異なる臓器にまたがる合成腫瘍を生成する。
  論文  参考訳（メタデータ） (2024-03-11T06:46:31Z)
• Towards Generalizable Tumor Synthesis [48.45704270448412]
  腫瘍合成は、医用画像における人工腫瘍の作成を可能にし、腫瘍の検出とセグメンテーションのためのAIモデルのトレーニングを容易にする。 本論文は, 臨界観察を生かして, 一般化可能な腫瘍合成に向けて進歩的な一歩を踏み出した。 私たちは、Diffusion Modelsのような生成AIモデルが、単一の臓器から限られた数の腫瘍例を訓練しても、様々な臓器に一般化された現実的な腫瘍を作成できることを確認した。
  論文  参考訳（メタデータ） (2024-02-29T18:57:39Z)
• Early Detection and Localization of Pancreatic Cancer by Label-Free Tumor Synthesis [11.86190788916592]
  膵癌の早期発見と局所化は、患者の5年間の生存率を8.5%から20%に引き上げることができる。 トレーニングAIモデルには、多数の注釈付きサンプルが必要だが、早期の腫瘍を取得するCTスキャンが利用可能であることには制約がある。 手動のアノテーションを必要とせず, 膵内小膵腫瘍の膨大な例を合成できる腫瘍合成法を開発した。
  論文  参考訳（メタデータ） (2023-08-06T03:37:34Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• 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。