著者:  （1）シャダブ・アハメド、ブリティッシュコロンビア大学、ブリティッシュコロンビア州バンクーバー、BCがん研究所、ブリティッシュコロンビア州バンクーバー。また、米国ワシントン州レドモンドのMicrosoft AI for Good LabのMitacs Accelerateフェロー（2022年5月～2023年4月）でもありました（電子メール：shadabahamed1996@gmail.com）。  （２）Yixi Xu、Microsoft AI for Good Lab、レドモンド、ワシントン州、米国 （３）クレア・ガウディ、BC小児病院、バンクーバー、BC州、カナダ （4） Joo H. O、聖マリア病院、ソウル、大韓民国 （５）イングリッド・ブロワズ、BCキャンサー、バンクーバー、BC州、カナダ （6）ドン・ウィルソン、BCキャンサー、バンクーバー、BC州、カナダ （7）パトリック・マルティノー、BCキャンサー、バンクーバー、BC、カナダ （８）フランソワ・ベナール、BCがん、バンクーバー、BC州、カナダ （9）フェレシュテ・ユセフィリジ、BCがん研究所、バンクーバー、BC州、カナダ （10）Rahul Dodhia、Microsoft AI for Good Lab、レドモンド、ワシントン州、米国 （11）フアン・M・ラビスタ、Microsoft AI for Good Lab、レドモンド、ワシントン州、米国 （12）ウィリアム・B・ウィークス、マイクロソフトAI for Good Lab、ワシントン州レドモンド、米国 （13）カルロス・F・ウリベ、BCがん研究所、カナダ、ブリティッシュコロンビア州バンクーバー、ブリティッシュコロンビア大学、カナダ （14）アルマン・ラミム、BCがん研究所、カナダ、ブリティッシュコロンビア州バンクーバー、ブリティッシュコロンビア大学、カナダ、ブリティッシュコロンビア州バンクーバー。 リンク一覧 概要と序文 関連作業 材料と方法 結果 議論 結論と参考文献 VI. 結論 本研究では、複数のデータセットにわたる PET/CT 画像におけるリンパ腫病変のセグメンテーションを自動化するためのさまざまなニューラル ネットワーク アーキテクチャを評価しました。病変測定の再現性を調べ、ネットワーク間の差異を明らかにし、特定の臨床用途への適合性を強調しました。さらに、病変レベルでネットワーク パフォーマンスを評価するための 3 つの病変検出基準を導入し、その臨床的関連性を強調しました。最後に、グラウンド トゥルースの一貫性に関連する課題について説明し、セグメンテーションのための明確に定義されたプロトコルを持つことの重要性を強調しました。本研究は、リンパ腫病変のセグメンテーションにおけるディープラーニングの可能性と限界に関する貴重な洞察を提供し、研究の妥当性と臨床応用を強化するために標準化された注釈付け手法の必要性を強調しています。 参考文献 [1] SF Barrington他「ホジキンリンパ腫および非ホジキンリンパ腫の治療モニタリングのためのFDG PET」European Journal of Nuclear Medicine and Molecular Imaging 44.1（2017年8月）、97～110頁。ISSN：1619-7089。  [2] K. Okuyucu et al.「原発性節外リンパ腫患者における初回FDG-PET/CTでの代謝腫瘍パラメータに基づく予後推定」Radiol. Oncol. 50.4（2016年12月）、360～369頁。  [3] N. Wu他「ディープニューラルネットワークが乳がんスクリーニングにおける放射線科医のパフォーマンスを向上」IEEE Transactions on Medical Imaging 39.4（2020）、pp.1184-1194。  [4] C. Yuan et al.「ハイブリッド学習による特徴融合によるPET-CT画像におけるびまん性大細胞型B細胞リンパ腫のセグメンテーション」Medical Physics 48.7（2021）、3665-3678頁。  [5] H. Hu et al.「マルチビューとConv3D融合戦略に基づくPET画像におけるリンパ腫セグメンテーション」2020 IEEE第17回国際生物医学画像シンポジウム（ISBI）2020年、pp.1197-1200。  [6] H. Liら「DenseX-Net：全身PET/CT画像におけるリンパ腫セグメンテーションのためのエンドツーエンドモデル」IEEE Access 8（2020）、pp.8004-8018。  [7] L. Liu 他「PET/CTスキャンにおけるネガティブサンプルの拡張とラベルガイダンスによるマルチモーダルパッチベースのリンパ腫セグメンテーションの改善」。Multiscale Multimodal Medical Imaging 誌。X. Li 他編。Cham: Springer Nature Switzerland、2022年、121～129頁。ISBN: 978-3-031-18814-5。  [8] CS Constantino他「リンパ腫患者の[18F]FDG PET/CT画像における半自動およびディープラーニングベースの全自動セグメンテーション手法の評価：腫瘍特性への影響」Journal of Digital Imaging 36.4（2023年8月）、pp. 1864–1876。ISSN：1618-727X。  [9] AJ Weisman et al.「リンパ腫における11種類の自動PETセグメンテーション方法の比較」英語。医学と生物学の物理学65.23（2020）、pp.235019–235019。  [10] AJ Weisman他「リンパ腫患者の病変リンパ節負荷のPET/CT自動検出のための畳み込みニューラルネットワーク」放射線学：人工知能2.5（2020）、e200016。  [11] C. Jiangら「3D FDG-PET画像によるびまん性大細胞型B細胞リンパ腫患者の予後におけるディープラーニングベースの腫瘍セグメンテーションと総代謝腫瘍容積予測」European Radiology 32.7（2022年7月）、pp.4801-4812。ISSN：1432-1084。  [12] P. Blanc-Durandら「畳み込みニューラルネットワークを用いた3D FDGPET/CTによるびまん性大細胞型B細胞リンパ腫病変の完全自動セグメンテーションと総代謝腫瘍体積予測」European Journal of Nuclear Medicine and Molecular Imaging 48.5（2021年5月）、pp. 1362–1370。ISSN：1619-7089。  [13] S. Ahamedら「頭頸部がんPET/CT画像からの腫瘍とリンパ節の自動セグメンテーションのためのマルチクラスダイス損失を備えたU-Net畳み込みニューラルネットワーク」。頭頸部腫瘍のセグメンテーションと結果予測。V. Andrearczykら編。Cham：Springer Nature Switzerland、2023年、94～106頁。ISBN：978-3-031-27420-6。  [14] S. Gatidisら「手動で注釈を付けた腫瘍病変を備えた全身FDG-PET/CTデータセット」Scientific Data 9.1（2022年10月）、601ページ。ISSN：2052-4463。  [15] M. Pop et al. “Left-Ventricle Quantification Using Residual U-Net” 英語. In: vol. 11395. 心臓の統計アトラスと計算モデル. 心房セグメンテーションとLV定量化の課題. スイス: Springer International Publishing AG, 2019, pp. 371–380. ISBN: 0302-9743.  [16] A. Myronenko.「オートエンコーダ正則化を用いた3D MRI脳腫瘍セグメンテーション」英語。Brainlesion: 神経膠腫、多発性硬化症、脳卒中、外傷性脳損傷。Cham: Springer International Publishing、2019年、311～320頁。ISBN: 0302-9743。  [17] F. Isensee et al.「nnU-Net：ディープラーニングベースのバイオメディカル画像セグメンテーションのための自己構成手法」Nature Methods 18.2（2020年12月）、pp.203-211。  [18] A. Hatamizadehら「Swin UNETR: MRI画像における脳腫瘍のセマンティックセグメンテーションのためのSwinトランスフォーマー」英語。(2022)。  [19] MJ Cardoso et al. MONAI:ヘルスケアにおけるディープラーニングのためのオープンソースフレームワーク。2022.arXiv:2211.02701[cs.LG]。  [20] S. Ahamedら「リンパ腫PET画像のマルチ解像度切り取りパッチでトレーニングした3Dニューラルネットワークを使用した病変セグメンテーションの強化に向けて」Journal of Nuclear Medicine 64.supplement 1（2023）、P1360–P1360。ISSN：0161-5505。  [21] JL Fleiss.「多数の評価者間の名目尺度合意の測定」英語。心理学速報76.5（1971）、pp.378-382。  [22] AK Jhaら「核医学と人工知能：評価のベストプラクティス（RELAINCEガイドライン）」。J. Nucl. Med. 63.9（2022年9月）、pp.1288-1299。  [23] N. Hasaniら「リンパ腫PET画像診断における人工知能：スコープレビュー（現在の傾向と将来の方向性）」PETクリニック17.1（1月1日）、pp.145-174。ISSN：1556-8598。  [24] SK Warfield他「同時真実度および性能レベル推定（STAPLE）：画像セグメンテーションの検証アルゴリズム」IEEE Trans. Med. Imaging 23.7（2004年7月）、903-921頁。 この論文は CC 4.0 ライセンスに基づきます。 arxivで入手可能

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

REINFORCEMENT . tech

Leading research and publication in advancing reinforcement machine learning, shaping intelligent systems & automation.

Reinforcement's blog

このオーディオは、ストーリーの元の言語で制作されています。

リンパ腫病変の検出と定量化のためのディープニューラルネットワーク：結論と参考文献

About Author

コメント

ラベル

この記事は

Related Stories

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

デジタルノマドの皆さん、タイの新しい DTV ビザについて知っておくべきこと

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

Claude Sonnet 3.5 システムプロンプトの漏洩: 法医学的分析

デジタルノマドの皆さん、タイの新しい DTV ビザについて知っておくべきこと

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps