![BACKGROUND
? 致忽での宀を鵑箸靴新里ん編\のR寛Y(NLST)のY惚俟何X
に曳べLDCT編\は稽がん棒蘭宀を20%pらせると蛍裂した[Aberle et al.
2011]
? 稽がんを壼豚kするためには鮫騏个僚Yをm俳に返する駅勣がある
? ただし謹くのYは來ではないため毛しのリスクとコストのバラン
スが嶷勣
? American College of RadiologyACRは仝Lung-RADS々と柵ばれるCTの
スクリ`ニングにvする糞弔返砲鱸_kした
3](https://image.slidesharecdn.com/end-to-endlungcancerscreeningwiththree-dimensionaldeeplearningonlow-dosechestcomputedtomography-190612063146/85/End-to-end-lung-cancer-screening-with-three-dimensional-deep-learning-on-low-dose-chest-computed-tomography-3-320.jpg)
![Data selection
? NLST DatasetNIHにより巷_されているopen datasetを旋喘
? 匯何を鵑ら茅き14,851繁から撹る42,290旦のCT鮫颪鰡xk
? デ`タ70%10,306繁 [398]29,541旦 [401]
? 編^デ`タ15%2,198繁 [94]6,034旦 [94]
? テストデ`タ15%2,347繁 [86]6,716旦 [86]
16
☆[ ]はcancer positiveの方
スクリ`ニングから1定參坪に伏覆砲茲螳と\僅された箭をcancer positive caseと
協x](https://image.slidesharecdn.com/end-to-endlungcancerscreeningwiththree-dimensionaldeeplearningonlow-dosechestcomputedtomography-190612063146/85/End-to-end-lung-cancer-screening-with-three-dimensional-deep-learning-on-low-dose-chest-computed-tomography-16-320.jpg)
![[DLHacks]Comet ML -C亠僥のためのGitHub-](https://cdn.slidesharecdn.com/ss_thumbnails/180625dlhacksltcometml-180629052128-thumbnail.jpg?width=560&fit=bounds)
![[DL Hacks]Learning Cross-modal Embeddings for Cooking Recipes and Food Images...](https://cdn.slidesharecdn.com/ss_thumbnails/im2recipe2-180427043855-thumbnail.jpg?width=560&fit=bounds)
![[DLi氏]Pay Attention to MLPs gMLP](https://cdn.slidesharecdn.com/ss_thumbnails/kobayashi-210528032327-thumbnail.jpg?width=560&fit=bounds)
![[DLi氏]NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis](https://cdn.slidesharecdn.com/ss_thumbnails/nerfdlseminar1-200327021512-thumbnail.jpg?width=560&fit=bounds)
![SSII2020 [OS2-02] 縮あり並念僥を争{する仝樋々縮あり並念僥](https://cdn.slidesharecdn.com/ss_thumbnails/200611ssii2020os2weaksupervision-200609142553-thumbnail.jpg?width=560&fit=bounds)
More Related Content
What's hot (20)
End to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography
- 1. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography
- 2. ABSTRACT ? 致忽では2018定にs160,000繁が稽逢で棒蘭している ? 稽逢の壼豚kには詰楚CTLDCTによるスクリ`ニングが嗤 ? スクリ`ニングの苓來と苓ﾐ圓慮澆気n}となっている ? 3D鮫騁JRを喘いたLDCTでの稽がんのスクリ`ニングを戻宛 ? 稽がん嚠yにvするAUCは94.4ィ┠塗箴親匳を貧指る娼業 2
- 3. BACKGROUND ? 致忽での宀を鵑箸靴新里ん編\のR寛Y(NLST)のY惚俟何X に曳べLDCT編\は稽がん棒蘭宀を20%pらせると蛍裂した[Aberle et al. 2011] ? 稽がんを壼豚kするためには鮫騏个僚Yをm俳に返する駅勣がある ? ただし謹くのYは來ではないため毛しのリスクとコストのバラン スが嶷勣 ? American College of RadiologyACRは仝Lung-RADS々と柵ばれるCTの スクリ`ニングにvする糞弔返砲鱸_kした 3
- 6. BACKGROUND ? Lung-RADSなどの匯來のある峺砲_kされたがuのバラつきや鮫 侭の蒙罿鯤蛍にW_できていないなどの}は火る ? 侮嗔Яの栽鮫駛の裏虫な蒙罿泙牌咾奮辛嬬 ? これまでにもcomputer-aided detection (CADe) と柵ばれる鮫騏个流械侭 を奮するシステムはいくつか贋壓した ? CADeは鮫騏个流械侭┰Yなどを奮できるが來業のuやR 寛議な吭房Q協はR寛匳に溜ねている ? computer-aided diagnosis (CADx) は並念に蒙協された押笋する\僅屶 址を佩うシステムであり寄きなv伉を鹿めている ? FDAの恷兜の覚Jを誼ているCADxも贋壓するが稽がんにvするCADxは 猟鵡Pのr泣では贋壓しない 6
- 7. METHOD ? 稽がんのスクリ`ニングにvするCADxとしてCT鮫颪ら稽がんのリスク 蛍を佩うend-to-endのアプロ`チを戻宛 ? 云猟のアプロ`チでの嶷勣な泣は參和の３つ 1. ３D CNNモデルによりCT畠悶を僥するモデルをBFull-volume model 2. 稽がんの昨aとなるROIの奮モデルをBCancer ROI detection 3. 1.2.の竃薦からがんのリスクを嚠yするモデルをBCancer risk prediction model 7
- 9. Cancer ROI detection model ? RetinaNetをしたモデルを喘いてROIを奮 ? 和蹐粒猊のbounding boxがdetection modelにより奮されたもの ? bounding boxは麼に慧符親匳によるアノテ`ションデ`タを喘いて僥 ? 奮されたbounding boxを耕協サイズのCancer ROI邦弼に{屁 9
- 10. Lung segmentation ? Mask-RCNNによるLung segmentation ? 僥はLUNAデ`タセットを旋喘 ? Y惚のmaskはそのbounding boxの嶄伉泣を麻するために喘いられる 10 Rikxoort et al. 2009
- 11. Full-volume model ? Lung segmentationにより渇竃されたパッチを秘薦鮫颪箸靴得喘 ? Inception V1を3Dにしたモデルを駻 ? 1定參坪に稽がんになる_楕を嚠y ? ImageNetによりgのパラメ`タをFine-tuning ? 竃薦咾琳映阿咤1,024 featuresを蒙翮燭箸靴那瓩離皀妊襪棒喘 11
- 12. Inception V1 (GoogLeNet) ? Inceptionモジュ`ル┷瑤个譴覡なるサイズのみzみ咾pooling咾ら 撹される弌さなネットワ`クを協x 12 Christian et al. 2014
- 13. Inception V1 (GoogLeNet) ? ILSVRC 2014 Classification で戮靴織皀妊 13
- 14. Cancer risk prediction model ? Cancer ROI detection model と Full-volume modelの竃薦を旋喘 ? これにより押笋哩vする蕉侭議な秤鵑CT畠悶の寄囃議な秤鵑I圭を 嚠yで喘いることが辛嬬 14
- 15. Output (Malignancy probability) ? 畠悶にしてg匯ラベルのみを聞喘した僥はyしい辛嬬來がある ? detection modelによりxkした2つのROI昨aから和塀によりスコアを 麻 ????? = 1 ? (1 ? ?1)(1 ? ?2) 15 ☆ROI昨aの方はチュ`ニングにより{屁
- 16. Data selection ? NLST DatasetNIHにより巷_されているopen datasetを旋喘 ? 匯何を鵑ら茅き14,851繁から撹る42,290旦のCT鮫颪鰡xk ? デ`タ70%10,306繁 [398]29,541旦 [401] ? 編^デ`タ15%2,198繁 [94]6,034旦 [94] ? テストデ`タ15%2,347繁 [86]6,716旦 [86] 16 ☆[ ]はcancer positiveの方 スクリ`ニングから1定參坪に伏覆砲茲螳と\僅された箭をcancer positive caseと 協x
- 17. LUMAS ? 云冩梢でLUMAS (lung malignancy scores) を_k ? LUMASはMalignancy probabilityに児づいて4つ､坊幗される ? Lung-RADS CategoryのMalignancy probabilityと匯崑するようにカットオフ を{屁 17 Pinsky et al. 2015
- 18. Reader studies ? 6繁の慧符親匳がi唹匳として冩梢に歌紗 ? 畠TがUSJ協匳で峠譲UY定方は8定 ? 光i唹匳は光鮫颪硫笋ROIとLung-RADS Scoreをm喘 ? モデルのLUMASに児づくスコアとi唹匳のLung-RADS Scoreの峠譲で娼業 曳^ 18
- 19. Clinical validation ? LUMASとLung-RADS Scoreからcancer-positiveを嚠y ? 光Categoryeに參和のようなcutoff､鰓O協 19 No cancer-negative cancer-positive (1) 1,2 3+ (2) 1,2,3 4A+ (3) 1,2,3,4A 4B/X (1)はcutoff､詰いのでSensibility● & Specificity◎ (3) はcutoff､互いのでSensibility◎ & Specificity●
- 20. lung cancer screening on a single CT volume 1旦のCT鮫颪任gYY惚 ? AUCは95.9% ? どのcutoff､任瞠i唹匳の娼業を貧指 る ? Lung-RADS 3+ をcancer-positiveとし たcutoff､砲いてはi唹匳と曳^ して ? Sensibility + 5.2% ? Specificity + 11.6% 20
- 21. lung cancer screening using current and prior CT volume 21 ^肇とF壓のCT鮫颪任gYY惚 ? AUCは92.6% ? モデルとi唹匳のI圭で1旦の鮫颪 のuY惚を和指った
- 22. DISCUSSION ? ^肇鮫颪鮑めると娼業が詰和 ? 逢をkしやすい纂宀の鮫颪ベ`スラインの定に屡に\僅され茅翌されており^肇 鮫颪魍屬鳥謝澆賄亢呂yしい裏虫な逢屏箭しか火されていなかったためと深えられる ? 秘返辛嬬な逢屏箭の鮫颪硫思 ? 喘來を互めるため謹な蒙罿琉の屏箭を根めた僥が李まれる ? i唹匳とモデルの娼業曳^のためcutoff､鰓O協してuを佩った ? R寛鮄辰鮨爾┐栽毛しのリスクとコストにvする厚なる冩梢が駅勣 22
- 23. Example LUMAS 4B/X false positives 23
- 24. Example LUMAS 4A false positives 24
- 25. References ? Aberle DR, Adams AM, Berg CD, Black WC, Clapp JD, Fagerstrom RM. Gareen IF, Gatsonis C, Marcus PM, Sicks JD; National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low- dose computed tomographic screening (2011) ? van Rikxoort EM, de Hoop B, Viergever MA, Prokop M, van Ginneken B. Automatic lung segmentation from thoracic computed tomography scans using a hybrid approach with error detection (2009) ? Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke, Andrew Rabinovich. Going Deeper with Convolutions (2014) ? Pinsky PF, Gierada DS, Black W, Munden R, Nath H, Aberle D, Kazerooni E. Performance of Lung- RADS in the National Lung Screening Trial: a retrospective assessment (2015) 25