Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Detecting Multiple Myeloma via Generalized Multiple-Instance Learning

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11110%2F18%3A10376910" target="_blank" >RIV/00216208:11110/18:10376910 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21230/18:00321266

  • Výsledek na webu

    <a href="https://doi.org/10.1117/12.2293112" target="_blank" >https://doi.org/10.1117/12.2293112</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1117/12.2293112" target="_blank" >10.1117/12.2293112</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Detecting Multiple Myeloma via Generalized Multiple-Instance Learning

  • Popis výsledku v původním jazyce

    We address the task of automatic detection of lesions caused by multiple myeloma (MM) in femurs or other long bones from CT data. Such detection is already an important part of the multiple myeloma diagnosis and staging. However, it is so far performed mostly manually, which is very time consuming. We formulate the detection as a multiple instance learning (MIL) problem, where instances are grouped into bags and only bag labels are available. In our case, instances are regions in the image and bags correspond to images. This has the advantage of requiring only subject-level annotation (ground truth), which is much easier to get than voxel-level manual segmentation. We consider a generalization of the standard MIL formulation where we introduce a threshold on the number of required positive instances in positive bags. This corresponds better to the classification procedure used by the radiology experts and is more robust with respect to false positive instances. We extend several existing MIL algorithms to solve the generalized case by estimating the threshold during learning. We compare the proposed methods with the baseline method on a dataset of 220 subjects. We show that the generalized MIL formulation outperforms standard MIL methods for this task. For the task of distinguishing between healthy controls and MM patients with infiltrations, our best method makes almost no mistakes with a mean AUC of 0.982 and F-1 = 0.965. We outperform the baseline method significantly in all conducted experiments.

  • Název v anglickém jazyce

    Detecting Multiple Myeloma via Generalized Multiple-Instance Learning

  • Popis výsledku anglicky

    We address the task of automatic detection of lesions caused by multiple myeloma (MM) in femurs or other long bones from CT data. Such detection is already an important part of the multiple myeloma diagnosis and staging. However, it is so far performed mostly manually, which is very time consuming. We formulate the detection as a multiple instance learning (MIL) problem, where instances are grouped into bags and only bag labels are available. In our case, instances are regions in the image and bags correspond to images. This has the advantage of requiring only subject-level annotation (ground truth), which is much easier to get than voxel-level manual segmentation. We consider a generalization of the standard MIL formulation where we introduce a threshold on the number of required positive instances in positive bags. This corresponds better to the classification procedure used by the radiology experts and is more robust with respect to false positive instances. We extend several existing MIL algorithms to solve the generalized case by estimating the threshold during learning. We compare the proposed methods with the baseline method on a dataset of 220 subjects. We show that the generalized MIL formulation outperforms standard MIL methods for this task. For the task of distinguishing between healthy controls and MM patients with infiltrations, our best method makes almost no mistakes with a mean AUC of 0.982 and F-1 = 0.965. We outperform the baseline method significantly in all conducted experiments.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    30224 - Radiology, nuclear medicine and medical imaging

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA17-15361S" target="_blank" >GA17-15361S: Učení lokálních konceptů z globálních trénovacích dat pro klasifikaci a segmentaci biomedicínských obrazů</a><br>

  • Návaznosti

    V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Ostatní

  • Rok uplatnění

    2018

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Medical Imaging 2018: Image Processing

  • ISBN

    978-1-5106-1638-7

  • ISSN

    0277-786X

  • e-ISSN

    neuvedeno

  • Počet stran výsledku

    6

  • Strana od-do

  • Název nakladatele

    SPIE

  • Místo vydání

    Bellingham

  • Místo konání akce

    Houston

  • Datum konání akce

    11. 2. 2018

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000435027500021