論文の概要: A Computer-aided Framework for Detecting Osteosarcoma in Computed Tomography Scans

• arxiv url: http://arxiv.org/abs/2603.13376v1
• Date: Tue, 10 Mar 2026 11:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.137045
• Title: A Computer-aided Framework for Detecting Osteosarcoma in Computed Tomography Scans
• Title（参考訳）: CTスキャンにおける骨肉腫検出のためのコンピュータ支援フレームワーク
• Authors: Maximo Rodriguez-Herrero, Dante D. Sanchez-Gallegos, Marco Antonio Núñez-Gaona, Heriberto Aguirre-Meneses, Luis Alberto Villalvazo Gutiérrez, Mario Ibrahin Gutiérrez Velasco, J. L. Gonzalez-Compean, Jesus Carretero,
• Abstract要約: 研究の目的は、前処理、検出、後処理、CTスキャンの可視化を含むパイプラインを通じて骨肉腫の診断を自動化することである。 本稿では、さまざまな畳み込みニューラルネットワーク(CNN)モデルを用いて、CTスキャンを分類するための機械学習および可視化フレームワークを提案する。 12例について検討した結果,AUCが94.8%,特異性が94.6%であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Osteosarcoma is the most common primary bone cancer, mainly affecting the youngest and oldest populations. Its detection at early stages is crucial to reduce the probability of developing bone metastasis. In this context, accurate and fast diagnosis is essential to help physicians during the prognosis process. The research goal is to automate the diagnosis of osteosarcoma through a pipeline that includes the preprocessing, detection, postprocessing, and visualization of computed tomography (CT) scans. Thus, this paper presents a machine learning and visualization framework for classifying CT scans using different convolutional neural network (CNN) models. Preprocessing includes data augmentation and identification of the region of interest in scans. Post-processing includes data visualization to render a 3D bone model that highlights the affected area. An evaluation on 12 patients revealed the effectiveness of our framework, obtaining an area under the curve (AUC) of 94.8\% and a specificity of 94.6\%.
• Abstract（参考訳）: 骨肉腫は最も多い原発性骨癌であり、主に若年層と最高齢層に影響を及ぼす。 早期発見は骨転移の確率を下げるために重要である。 この文脈では、診断の正確さと迅速さは、予後の過程において医師を助けるために不可欠である。 研究の目的は、前処理、検出、後処理、CTスキャンの可視化を含むパイプラインを通じて骨肉腫の診断を自動化することである。 そこで本稿では,さまざまな畳み込みニューラルネットワーク(CNN)モデルを用いてCTスキャンを分類する機械学習と可視化フレームワークを提案する。 前処理には、データ拡張とスキャンに対する関心領域の識別が含まれる。 後処理にはデータビジュアライゼーションが含まれており、影響を受ける領域をハイライトする3Dの骨モデルを描画する。 12例について検討した結果,AUCが94.8\%,特異性が94.6\%であった。

関連論文リスト

• Attend-and-Refine: Interactive keypoint estimation and quantitative cervical vertebrae analysis for bone age assessment [32.52024944963992]
  小児矯正学では、効果的な治療戦略を開発するためには、成長電位の正確な推定が不可欠である。 本研究は, 成長ピークを同定し, 側頭頂部X線写真のみで頚椎形態を解析することによって, この可能性を予測することを目的とする。 我々は,アノテーションプロセスの合理化を目的としたユーザ対話型深層学習モデルARNetを紹介する。
  論文  参考訳（メタデータ） (2025-07-10T11:52:20Z)
• Beyond the Eye: A Relational Model for Early Dementia Detection Using Retinal OCTA Images [43.73298205923969]
  早期発症アルツハイマー病 (AD) と軽度認知障害 (MCI) をコントロールから識別するために, 網膜光コヒーレンストモグラフィー (OCTA) を用いた新しいPolarNet+を提案する。 提案手法は,まずカルト座標から極座標へのOCTA画像のマッピングを行う。 次に,包括的かつ臨床的に有用な情報抽出のための3次元画像のシリアライズと解析を行う多視点モジュールを提案する。
  論文  参考訳（メタデータ） (2024-08-09T15:10:34Z)
• Swin-Tempo: Temporal-Aware Lung Nodule Detection in CT Scans as Video Sequences Using Swin Transformer-Enhanced UNet [2.7547288571938795]
  本稿では、畳み込みニューラルネットワークと視覚変換器の長所を利用する革新的なモデルを提案する。 ビデオ中の物体検出にインスパイアされた各3次元CT画像をビデオとして扱い、個々のスライスをフレームとして、肺結節をオブジェクトとして扱い、時系列アプリケーションを可能にする。
  論文  参考訳（メタデータ） (2023-10-05T07:48:55Z)
• High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An Attention-Enhanced Graph Convolutional Network Approach [9.795111455349183]
  肺がんは、特に進行期において、世界中で死因となっている。 本研究は,術前CT画像に基づいて,I期肺癌に高リスク因子が存在するか否かを分類するために,Atention-Enhanced Graph Convolutional Network (AE-GCN)モデルを提案する。
  論文  参考訳（メタデータ） (2023-08-27T04:24:04Z)
• ThoraX-PriorNet: A Novel Attention-Based Architecture Using Anatomical Prior Probability Maps for Thoracic Disease Classification [2.0319363307774476]
  胸部疾患は, 他と比較して, 特定の解剖学的領域で発生しやすいことが知られている。 本稿では、この病気と地域依存の事前確率分布をディープラーニングフレームワークに組み込むことを目的とする。
  論文  参考訳（メタデータ） (2022-10-06T15:38:02Z)
• Development of the algorithm for differentiating bone metastases and trauma of the ribs in bone scintigraphy and demonstration of visual evidence of the algorithm -- Using only anterior bone scan view of thorax [0.0]
  骨シンチグラフィーの胸骨前部像のみを用いて骨転移と外傷のリブの蓄積を判定するAIモデルの報告はない。 胸骨前部CT像のみを用いて骨転移・外傷と診断し,診断するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-09-30T23:55:31Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
  ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。 本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
  論文  参考訳（メタデータ） (2020-06-28T19:55:34Z)
• 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)

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。