胸部CTスキャンにおける結節検出での偽陽性低減のためのポイントクラウド上の深層学習【JST・京大機械翻訳】

Drokin Ivan; Ericheva Elena

プレプリント

J-GLOBAL ID：202202212347024971 整理番号：21P0031357

胸部CTスキャンにおける結節検出での偽陽性低減のためのポイントクラウド上の深層学習【JST・京大機械翻訳】

Deep Learning on Point Clouds for False Positive Reduction at Nodule Detection in Chest CT Scans

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2020年05月07日プレプリントサーバーでの情報更新日： 2020年06月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,疑わしい病変検出段階に続くコンピュータ支援検出(CADe)システムにおける小結節候補の偽陽性低減(FPR)のための新しいアプローチに焦点を当てた。医用画像分析における典型的な決定に反して,提案した手法は,2Dまたは3D画像ではなく,点雲としてではなく,点雲に対して深い学習モデルを使用する入力データを考慮した。ポイントクラウドモデルは,従来のCNN3Dと比較して,より少ないメモリを必要とし,訓練と推論の両方でより速く,それらは,より良い性能を達成し,入力画像のサイズ,すなわち,ノジュール候補のサイズに対する制約を課さないことを発見した。3D CTスキャンデータをポイントクラウドに変換するアルゴリズムを提案した。いくつかの場合において,結節候補の体積は,例えば,小結節の胸膜下局在化の場合,周囲の状況よりはるかに小さい。したがって,候補領域の3D画像から構築された点雲からサンプリングポイントのアルゴリズムを開発した。このアルゴリズムは,ノジュール候補のポイントクラウドの一部として,コンテキストと候補情報の捕捉を保証することができる。FPRタスクの特徴のために,オープンLIDC-IDRIデータベースからデータセットを作成する実験を設計し,設定し,ここでは詳細に記述した。データ増強をオーバーフィッティングとアップサンプリング法の両方に適用した。ポイントネット,ポイントネット++,およびDGCNNを用いて実験を行った。提案手法はベースラインCNN3Dモデルよりも優れ,ベースラインモデルに対して85.98FROC対77.26FROCをもたらすことを示した。提案アルゴリズムを公開されたSOTAと比較し,LUNA2016上で適切な性能レベルで動作し,LIDC-IDRI上でSOTAを示した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

応用測量,その他 , 人工知能

, , , , , ,

前のページに戻る