論文の概要: 3D Universal Lesion Detection and Tagging in CT with Self-Training

• arxiv url: http://arxiv.org/abs/2504.05201v1
• Date: Mon, 07 Apr 2025 15:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:27.355368
• Title: 3D Universal Lesion Detection and Tagging in CT with Self-Training
• Title（参考訳）: 自己検診によるCTの3次元ユニバーサル病変検出とタグ付け
• Authors: Jared Frazier, Tejas Sudharshan Mathai, Jianfei Liu, Angshuman Paul, Ronald M. Summers,
• Abstract要約: 本研究では,3次元病変を検知し,身体部位に応じてタグ付けするための自己学習パイプラインを提案する。 私たちの知る限り、私たちは初めて3Dの病変を共同で検出し、身体のラベルに従ってタグ付けしました。
• 参考スコア（独自算出の注目度）: 3.68620908362189
• License:
• Abstract: Radiologists routinely perform the tedious task of lesion localization, classification, and size measurement in computed tomography (CT) studies. Universal lesion detection and tagging (ULDT) can simultaneously help alleviate the cumbersome nature of lesion measurement and enable tumor burden assessment. Previous ULDT approaches utilize the publicly available DeepLesion dataset, however it does not provide the full volumetric (3D) extent of lesions and also displays a severe class imbalance. In this work, we propose a self-training pipeline to detect 3D lesions and tag them according to the body part they occur in. We used a significantly limited 30\% subset of DeepLesion to train a VFNet model for 2D lesion detection and tagging. Next, the 2D lesion context was expanded into 3D, and the mined 3D lesion proposals were integrated back into the baseline training data in order to retrain the model over multiple rounds. Through the self-training procedure, our VFNet model learned from its own predictions, detected lesions in 3D, and tagged them. Our results indicated that our VFNet model achieved an average sensitivity of 46.9\% at [0.125:8] false positives (FP) with a limited 30\% data subset in comparison to the 46.8\% of an existing approach that used the entire DeepLesion dataset. To our knowledge, we are the first to jointly detect lesions in 3D and tag them according to the body part label.
• Abstract（参考訳）: 放射線医はCT(Computed tomography)研究において,病変の局在,分類,サイズ測定の面倒な作業を日常的に行う。 ユニバーサル病変検出とタグ付け(ULDT)は、病変測定の煩雑な性質を同時に緩和し、腫瘍の負担評価を可能にする。 以前のULDTアプローチでは、一般に利用可能なDeepLesionデータセットを使用していた。 本研究では,3次元病変を検知し,身体部位に応じてタグ付けする自己学習パイプラインを提案する。 We used a significantly limited 30\% subset of DeepLesion to training a VFNet model for 2D lesion detection and tagging。 次に, 2D病変コンテキストを3Dに拡張し, マイニングした3D病変提案をベースライントレーニングデータに統合し, 複数のラウンドでモデルの再トレーニングを行った。 我々のVFNetモデルは,自己訓練により,自身の予測から学習し,病変を3Dで検出し,タグ付けした。 我々のVFNetモデルは,DeepLesionデータセット全体を用いた既存手法の46.8%に比べて,データサブセットが30\%に制限された[0.125:8]偽陽性(FP)で46.9\%の平均感度を達成した。 私たちの知る限り、私たちは初めて3Dの病変を共同で検出し、身体のラベルに従ってタグ付けしました。

関連論文リスト

• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• 3D unsupervised anomaly detection and localization through virtual multi-view projection and reconstruction: Clinical validation on low-dose chest computed tomography [2.2302915692528367]
  仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。 本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。 異常領域を93%の精度でローカライズし、高い性能を示す。
  論文  参考訳（メタデータ） (2022-06-18T13:22:00Z)
• Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
  トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
  論文  参考訳（メタデータ） (2022-04-12T13:05:18Z)
• 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)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging Studies [19.890200389017213]
  深部病変追跡器(DLT)は、外観と解剖学的信号の両方を使用するディープラーニングアプローチです。 我々は,公開deeplesionデータベースから3891個の病巣対からなる最初の病巣追跡ベンチマークをリリースする。 dltは100の縦断研究の外部臨床検査セットをよく一般化し、88%の精度を達成する。
  論文  参考訳（メタデータ） (2020-12-09T05:23:46Z)
• Deep Volumetric Universal Lesion Detection using Light-Weight Pseudo 3D Convolution and Surface Point Regression [23.916776570010285]
  コンピュータ支援型病変/重要なフィンディング検出技術は、医療画像の核心にある。 そこで本研究では,(1) P3DC演算子を組み込んだ深層アンカーフリーワンステージVULDフレームワークを提案する。 3次元病変の空間範囲を効果的に抑圧する新しいSPR法は、その代表的キーポイントを病変表面にピンポイントすることで実現される。
  論文  参考訳（メタデータ） (2020-08-30T19:42:06Z)
• Volumetric Attention for 3D Medical Image Segmentation and Detection [53.041572035020344]
  3次元医用画像のセグメンテーションと検出のためのボリュームアテンション(VA)モジュールを提案する。 VAアテンションはビデオ処理の最近の進歩にインスパイアされ、2.5Dネットワークはz方向のコンテキスト情報を活用することができる。 そのMask R-CNNへの統合は、肝腫瘍(LiTS)チャレンジにおける最先端のパフォーマンスを可能にすることが示されている。
  論文  参考訳（メタデータ） (2020-04-04T18:55:06Z)

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。