論文の概要: A Machine Learning Approach to Volumetric Computations of Solid Pulmonary Nodules
- arxiv url: http://arxiv.org/abs/2508.20127v1
- Date: Tue, 26 Aug 2025 03:36:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:01.573239
- Title: A Machine Learning Approach to Volumetric Computations of Solid Pulmonary Nodules
- Title（参考訳）: 固形肺結節の体積計算に対する機械学習アプローチ
- Authors: Yihan Zhou, Haocheng Huang, Yue Yu, Jianhui Shang,
- Abstract要約: マルチスケール3次元畳み込みニューラルネットワーク(CNN)とサブタイプ固有のバイアス補正を組み合わせた高精度なボリューム推定手法を提案する。
その結果,処理速度において17ポイント以上の誤差が減少し,3倍の高速化が得られた。
- 参考スコア（独自算出の注目度）: 12.415286588339901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Early detection of lung cancer is crucial for effective treatment and relies on accurate volumetric assessment of pulmonary nodules in CT scans. Traditional methods, such as consolidation-to-tumor ratio (CTR) and spherical approximation, are limited by inconsistent estimates due to variability in nodule shape and density. We propose an advanced framework that combines a multi-scale 3D convolutional neural network (CNN) with subtype-specific bias correction for precise volume estimation. The model was trained and evaluated on a dataset of 364 cases from Shanghai Chest Hospital. Our approach achieved a mean absolute deviation of 8.0 percent compared to manual nonlinear regression, with inference times under 20 seconds per scan. This method outperforms existing deep learning and semi-automated pipelines, which typically have errors of 25 to 30 percent and require over 60 seconds for processing. Our results show a reduction in error by over 17 percentage points and a threefold acceleration in processing speed. These advancements offer a highly accurate, efficient, and scalable tool for clinical lung nodule screening and monitoring, with promising potential for improving early lung cancer detection.
- Abstract（参考訳）: 肺癌の早期発見は治療に不可欠であり,CT検査における肺結節の正確な体積評価に依存している。
CTR(consolidation-to-tumor ratio)や球面近似(spherical approximation)といった従来の手法は、結節形状と密度のばらつきによる不整合推定によって制限される。
マルチスケール3次元畳み込みニューラルネットワーク(CNN)とサブタイプ固有のバイアス補正を組み合わせた高精度なボリューム推定手法を提案する。
モデルは上海胸部病院の364症例のデータセットを用いて訓練および評価を行った。
提案手法は,手動の非線形回帰と比較して平均絶対偏差が8.0%であり,1スキャンあたり20秒未満の推論時間であった。
この方法は既存のディープラーニングや半自動パイプラインよりも優れており、エラーは通常25～30%であり、処理に60秒以上を要する。
その結果,処理速度において17ポイント以上の誤差が減少し,3倍の高速化が得られた。
これらの進歩は、臨床的肺結節スクリーニングとモニタリングのための高度に正確で効率的でスケーラブルなツールを提供し、早期の肺がん検出を改善する有望な可能性を秘めている。
関連論文リスト
- Multi-Attention Stacked Ensemble for Lung Cancer Detection in CT Scans [3.8121150313479655]
3つの事前訓練されたバックボーンは96 x 96ピクセルの入力に合わせたカスタム分類ヘッドで適合する。
2段階の注意機構は、ロジットからモデルワイドとクラスワイドの両方の重要点を学習する。
LIDC-IDRIデータセットの実験では、98.09の精度と0.9961 AUCを達成した。
論文 参考訳（メタデータ） (2025-07-27T11:03:07Z) - Towards Clinical Practice in CT-Based Pulmonary Disease Screening: An Efficient and Reliable Framework [16.98886836566185]
クラスタベースサブサンプリング(CSS)法は,CTスライスをコンパクトかつ包括的に選択する。
ハイブリッド不確実性定量化(HUQ)メカニズムは、Aleatoric Uncertainty(AU)とEpistemic Uncertainty(EU)の両方を最小の計算オーバーヘッドで評価する。
論文 参考訳（メタデータ） (2024-12-02T14:18:17Z) - Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。
従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
論文 参考訳（メタデータ） (2024-11-27T05:15:55Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - 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) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - A deep learning-facilitated radiomics solution for the prediction of
lung lesion shrinkage in non-small cell lung cancer trials [2.929792935431798]
非小細胞肺癌患者のCT画像から抽出した放射線学的特徴に基づく深層学習による肺病変反応の予測手法を提案する。
トレーニングセット上の5倍のクロス検証の結果、AUCは0.84 +/- 0.03となり、テストデータセットの予測は30%の直径縮小の結果、AUCは0.73 +/- 0.02に達した。
論文 参考訳（メタデータ） (2020-03-05T21:49:42Z)
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。