저자:  (1) Shadab Ahamed, 브리티시 컬럼비아 대학교(캐나다 BC 주 밴쿠버 소재), BC 암 연구소(캐나다 BC 주 밴쿠버 소재). 그는 또한 미국 워싱턴 주 레드몬드에 있는 Good Lab의 Microsoft AI에서 Mitacs Accelerate Fellow(2022년 5월 - 2023년 4월)였습니다(이메일: shadabahamed1996@gmail.com).  (2) Yixi Xu, Microsoft AI for Good Lab(미국 워싱턴주 레드먼드);  (3) Claire Gowdy, BC 아동 병원, 밴쿠버, BC 주, 캐나다;  (4) 주호(주호), 대한민국 서울 성모병원;  (5) 잉그리드 블로이즈(Ingrid Bloise), BC 캔서, 밴쿠버, BC, 캐나다;  (6) 돈 윌슨(Don Wilson), BC 캔서, 밴쿠버, BC, 캐나다;  (7) 패트릭 마티노(Patrick Martineau), BC 캔서, 밴쿠버, BC, 캐나다;  (8) Francois Benard, BC Cancer, 밴쿠버, BC, 캐나다;  (9) 캐나다 BC 주 밴쿠버 소재 BC 암 연구소의 Fereshteh Yousefirizi;  (10) Rahul Dodhia, Good Lab의 Microsoft AI(미국 워싱턴 주 레드먼드);  (11) Juan M. Lavista, Good Lab의 Microsoft AI, 미국 워싱턴 주 레드몬드;  (12) William B. Weeks, Microsoft AI for Good Lab, 미국 워싱턴주 레드몬드;  (13) Carlos F. Uribe, BC 암 연구소(캐나다 밴쿠버 소재) 및 브리티시 컬럼비아 대학교(캐나다 BC 주 밴쿠버 소재);  (14) Arman Rahmim, BC 암 연구소(캐나다 밴쿠버 소재) 및 브리티시 컬럼비아 대학교(캐나다 BC 주 밴쿠버 소재).  링크 표   초록 및 소개   관련된 일   재료 및 방법   결과   논의   결론 및 참고자료  6. 결론  이 연구에서는 여러 데이터세트에 걸쳐 PET/CT 이미지의 림프종 병변 분할을 자동화하기 위한 다양한 신경망 아키텍처를 평가했습니다. 우리는 병변 측정의 재현성을 조사하여 네트워크 간의 차이점을 밝히고 특정 임상 용도에 대한 적합성을 강조했습니다. 또한 임상적 관련성을 강조하면서 병변별 수준에서 네트워크 성능을 평가하기 위해 세 가지 병변 감지 기준을 도입했습니다. 마지막으로 우리는 Ground Truth 일관성과 관련된 과제에 대해 논의하고 세분화를 위해 잘 정의된 프로토콜을 갖는 것이 중요하다는 점을 강조했습니다. 이 연구는 림프종 병변 세분화에 있어서 딥 러닝의 잠재력과 한계에 대한 귀중한 통찰력을 제공하고 연구 타당성과 임상 적용을 향상시키기 위한 표준화된 주석 실행의 필요성을 강조합니다.  참고자료  [1] SF 배링턴 외. "호지킨 및 비호지킨 림프종의 치료 모니터링을 위한 FDG PET". In: European Journal of Nuclear Medicine and Molecular Imaging 44.1(2017년 8월), pp. 97-110. ISSN: 1619-7089.  [2] K. Okuyucu 외. "원발성 림프절외 림프종 환자의 초기 FDG-PET/CT에서 대사성 종양 매개변수를 고려한 예후 추정". 엔. In: 라디올. 온콜. 50.4(2016년 12월), pp. 360–369.  [3] N. Wu 외. “심층 신경망은 유방암 검진에서 방사선 전문의의 성과를 향상시킵니다”. In: 의료 영상에 관한 IEEE 거래 39.4(2020), pp. 1184–1194.  [4] C. 위안 외. "특징 융합을 위한 하이브리드 학습을 통해 PET-CT 영상의 확산성 대형 B세포 림프종 분할". In: 의료 물리학 48.7(2021), pp. 3665–3678.  [5] H. Hu 등. "멀티뷰 및 Conv3D 융합 전략을 기반으로 한 PET 이미지의 림프종 분할". In: 2020 IEEE 17차 생체의학 이미징 국제 심포지엄(ISBI). 2020, pp. 1197–1200.  [6] H. Li 외. "DenseX-Net: 전신 PET/CT 영상에서 림프종 분할을 위한 엔드투엔드 모델". In: IEEE Access 8(2020), 8004–8018페이지.  [7] L. Liu 등. "PET/CT 스캔에 대한 음성 샘플 확대 및 라벨 안내를 통해 향상된 다중 모드 패치 기반 림프종 분할". In: 멀티스케일 멀티모달 의료 영상. 에드. X. Li 외. 참: Springer Nature Switzerland, 2022, pp. 121–129. ISBN: 978-3-031-18814-5.  [8] CS 콘스탄티노 외. "림프종 환자의 [18F]FDG PET/CT 영상에 대한 반자동 및 딥러닝 기반 완전 자동 분할 방법 평가: 종양 특성화에 대한 영향". In: Journal of Digital Imaging 36.4(2023년 8월), pp. 1864–1876. ISSN: 1618-727X.  [9] AJ Weisman 외. "림프종에 대한 11가지 자동 PET 분할 방법 비교". 영어. In: 의학 및 생물학 물리학 65.23(2020), pp. 235019–235019.  [10] AJ Weisman 외. “림프종 환자의 병에 걸린 림프절 부담을 자동으로 PET/CT 검출하기 위한 컨볼루셔널 신경망”. In: 방사선학: 인공 지능 2.5(2020), e200016.  [11] C. Jiang 외. "3D FDG-PET 영상을 통해 확산성 거대 B세포 림프종 환자의 예후에 대한 딥러닝 기반 종양 분할 및 총 대사성 종양 부피 예측". In: European Radiology 32.7(2022년 7월), pp. 4801–4812. ISSN: 1432-1084.  [12] P. Blanc-Durand 외. "회선 신경망을 사용하여 총 대사 종양 부피 예측을 위해 3D FDGPET/CT에서 미만성 거대 B 세포 림프종 병변을 완전 자동으로 분할합니다." In: European Journal of Nuclear Medicine and Molecular Imaging 48.5(2021년 5월), pp. 1362–1370. ISSN: 1619-7089.  [13] S. Ahamedet al. "두경부암 PET/CT 이미지에서 종양 및 림프절의 자동 분할을 위한 다중 클래스 주사위 손실을 갖춘 U-Net 컨볼루셔널 신경망". 에서: 머리와 목 종양 분할 및 결과 예측. 에드. 작성자: V. Andrearczyk et al. Cham: Springer Nature Switzerland, 2023, pp. 94–106. ISBN: 978-3-031-27420-6.  [14] S. Gatidis et al. "수동으로 주석이 달린 종양 병변이 포함된 전신 FDG-PET/CT 데이터 세트". In: 과학 데이터 9.1(2022년 10월), p. 601. ISSN: 2052-4463.  [15] M. Pop 외. "잔류 U-Net을 이용한 좌심실 정량화". 영어. 에서: vol. 11395. 심장의 통계적 지도책과 전산 모델. 심방 분할 및 LV 정량화 문제. 스위스: Springer International Publishing AG, 2019, pp. 371–380. ISBN: 0302-9743.  [16] A. 미로넨코. “오토인코더 정규화를 사용한 3D MRI 뇌종양 분할”. 영어. In: 뇌병변: 신경교종, 다발성 경화증, 뇌졸중 및 외상성 뇌 손상. 참: Springer International Publishing, 2019, pp. 311–320. ISBN: 0302-9743.  [17] F. Ienseeet al. “nnU-Net: 딥러닝 기반 생체의학 영상 분할을 위한 자가 구성 방법”. In: Nature Methods 18.2(2020년 12월), pp. 203–211.  [18] A. Hatamizadeh et al. "Swin UNETR: MRI 이미지에서 뇌종양의 의미론적 분할을 위한 Swin 변환기". 영어. 에서: (2022).  [19] MJ Cardoso 등. MONAI: 의료 분야의 딥 러닝을 위한 오픈 소스 프레임워크입니다. 2022. arXiv: 2211. 02701 [cs.LG].  [20] S. Ahamedet al. "림프종 PET 이미지의 다중 해상도 자른 패치에 대해 훈련된 3D 신경망을 사용하여 향상된 병변 분할을 향해". In: Journal of Nuclear Medicine 64.supplement 1 (2023), P1360–P1360. ISSN: 0161-5505.  [21] JL 플라이스. “많은 평가자 간의 명목 규모 일치 측정”. 영어. In: 심리학 게시판 76.5(1971), pp. 378–382.  [22] AK Jhaet al. “핵의학과 인공지능: 평가를 위한 모범 사례(RELAINCE 지침)”. 엔. In: J. Nucl. 메드. 63.9(2022년 9월), pp. 1288–1299.  [23] N. Hasaniet al. “림프종 PET 영상의 인공지능: 범위 검토(현재 추세 및 미래 방향)”. In: PET 클리닉 17.1(1월 1일), pp. 145–174. ISSN: 1556-8598.  [24] SK Warfield et al. “동시 진실 및 성능 수준 추정(STAPLE): 이미지 분할 검증을 위한 알고리즘”. 엔. 에서: IEEE 트랜스. 메드. Imaging 23.7(2004년 7월), 903-921페이지.  이 논문은  CC 4.0 라이센스에 따라.   arxiv에서 사용 가능

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

림프종 병변을 검출하고 정량화하기 위한 심층 신경망: 결론 및 참고 문헌

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

Crypto Growth: 효과적인 사용자 페르소나 만들기

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

Crypto Growth: 효과적인 사용자 페르소나 만들기

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps