Weakly-Supervised Differentiation of Focal Liver Lesions Using Phase-Attention Net

使用相位注意网络弱监督区分局灶性肝脏病变

• 批准号: 21H03470
• 负责人: 陳 延偉
• 金额: $ 10.98万
• 依托单位: Ritsumeikan University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H03470/
• 关键词: マルチフェーズ画像; フェーズアテンション; 弱教師学習; 肝臓腫瘍性病変; 深層学習; フェーズアテンションネット; 臨床データ; 肝臓がん; アテンション機構; 弱教師あり学習; 教師なし学習; 肝臓腫瘍セグメンテーション; 早期再発予測

肝臓がんは、平均5年生存率が30％程度とがん全体の中でも極めて低く、正確な診断に基づく早期発見が求められる。肝臓がんの診断には、マルチフェーズCT画像（造影剤を注入してから経時的に複数回の撮像で得られたCT画像）がよく用いられる。近年深層学習を代表とする人工知能による肝腫瘍性病変の診断支援が多く研究されているが、既存手法では、個々のフェーズから特徴を抽出し、診断を行っていたため、診断精度は80%に留まっていた。また、事前に腫瘍を検出または分割する必要があった。本研究では、学習により腫瘍の種類毎にフェーズ間の重みを自動的に調整し、鑑別に重要なフェーズを強調可能なフェーズアテンション機構を提案する。マルチフェーズCT画像から有効時空間特徴抽出法を確立するとともに、腫瘍領域のアノテーションを必要としない弱教師学習による肝腫瘍性病変の検出・鑑別法を確立する。以下の研究成果が挙げられた。(1)フェーズ内アテンション機構とフェーズ間アテンション機構を提案し、マルチフェーズCT画像における肝臓腫瘍を高精度にセグメンテーションすることができた。(2)フェーズアテンション深層学習モデルを提案し、マルチフェーズCT画像を用いた肝臓がんの術後再発を高精度に予測することができた。(3)敵対的生成ネットワークを用いた弱教師あり学習法と教師なし学習法による肝臓腫瘍の検出とセグメンテーション法を開発した。(4)TIP, TMI, JBHI, MICCAI, AAAI, ICCVなどのトップ学術誌及び国際学会で成果を発表してきた。(5)General Chairとして、2021年6月に国際学会 InMed2021を主催し、国際連携ネットワークを構築した。

The average 5-year survival rate is 30%. The correct diagnosis is early detection. CT images of liver diseases (CT images of liver diseases) In recent years, deep learning represents artificial knowledge and supports the diagnosis of liver diseases. Many existing methods are used to extract and diagnose liver diseases. The accuracy of diagnosis is 80%. It's necessary to cut the price. This study aims to study the importance of automatic adjustment between different types of tumor, identify important tumor, emphasize the possibility of tumor development and propose mechanisms for tumor development. The method of extracting temporal spatial features from CT images is established. The method of detecting and identifying liver diseases is established. The following research results are presented. (1)The system is designed to provide high accuracy in CT images. (2)A deep study of CT images was conducted to determine the accuracy of the images. (3)The detection and management methods of liver cancer using the weak teacher learning method and the teacher learning method are developed. (4)TIP, TMI, JBHI, MICCAI, AAAI, ICCV, academic journals and international societies. (5)General Chair, June 2021, International Association InMed2021, International Association for the Promotion of International Cooperation

项目成果

AIと医用画像解析

人工智能和医学图像分析

• 发表时间: 2022
• 作者: Kazuki Takamiya;Yutaro Iwamoto;Masahiro Nonaka;Yen-Wei Chen;陳延偉
• 通讯作者: 陳延偉

Characterisation of focal liver lesions in multi-phase CT images using textural and pathological descriptors

• DOI: 10.1080/21681163.2022.2156390
• 发表时间: 2022-12
• 期刊: Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization
• 作者: Saeed Moslehi;A. H. Foruzan;Yen-Wei Chen;Hongjie Hu

A Tensor Sparse Representation-Based CBMIR System for Computer-Aided Diagnosis of Focal Liver Lesions and its Pilot Trial

• DOI: 10.1145/3460426.3463673
• 发表时间: 2021-08
• 期刊: Proceedings of the 2021 International Conference on Multimedia Retrieval
• 作者: Jian Wang;X. Han;Lanfen Lin;Hongjie Hu;Yenwei Chen

Deep Learning-Aided Diagnosis of Liver Cancer

深度学习辅助诊断肝癌

• DOI: 10.11499/sicejl.62.91
• 发表时间: 2023
• 期刊: Journal of The Society of Instrument and Control Engineers
• 作者: Okamoto Aya;Uenaka Miku;Kobayasi Kohta I.;Tamai Yuta;Shuhei Hoshi;木谷俊介，劉小テイ，郭太陽，磯山拓都，李軍鋒，赤木正人，鵜木祐史;陳延偉
• 通讯作者: 陳延偉

Mutual Information-Based Graph Co-Attention Networks for Multimodal Prior-Guided Magnetic Resonance Imaging Segmentation

用于多模态先验引导磁共振成像分割的基于互信息的图共同关注网络

• DOI: 10.1109/tcsvt.2021.3112551
• 发表时间: 2021
• 期刊: IEEE Trans. Circuits and Systems for Video Technology
• 作者: Shaocong Mo;Ming Cai;Lanfen Lin;Ruofeng Tong;Qingqing Chen;Fang Wang;Hongjie Hu;Yutaro Iwamoto;Xian-Hua Han;and Yen-Wei Chen
• 通讯作者: and Yen-Wei Chen