Fugu-MT 論文翻訳(概要): Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning

論文の概要: Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning

arxiv url: http://arxiv.org/abs/1912.13335v2
Date: Mon, 3 Feb 2020 10:57:24 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 20:16:41.844543
Title: Volumetric Lung Nodule Segmentation using Adaptive ROI with Multi-View Residual Learning
Title（参考訳）: 多視点残差学習を用いた適応ROIを用いた肺結節分節の検討
Authors: Muhammad Usman, Byoung-Dai Lee, Shi Sub Byon, Sung Hyun Kim, and Byung-ilLee
Abstract要約: 提案手法はLIDCデータセットで厳格に評価されている。その結果,従来の技術と比較すると,アプローチは極めて堅牢で正確であることが示唆された。
参考スコア（独自算出の注目度）: 2.8145631839076004
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate quantification of pulmonary nodules can greatly assist the early diagnosis of lung cancer, which can enhance patient survival possibilities. A number of nodule segmentation techniques have been proposed, however, all of the existing techniques rely on radiologist 3-D volume of interest (VOI) input or use the constant region of interest (ROI) and only investigate the presence of nodule voxels within the given VOI. Such approaches restrain the solutions to investigate the nodule presence outside the given VOI and also include the redundant structures into VOI, which may lead to inaccurate nodule segmentation. In this work, a novel semi-automated approach for 3-D segmentation of nodule in volumetric computerized tomography (CT) lung scans has been proposed. The proposed technique can be segregated into two stages, at the first stage, it takes a 2-D ROI containing the nodule as input and it performs patch-wise investigation along the axial axis with a novel adaptive ROI strategy. The adaptive ROI algorithm enables the solution to dynamically select the ROI for the surrounding slices to investigate the presence of nodule using deep residual U-Net architecture. The first stage provides the initial estimation of nodule which is further utilized to extract the VOI. At the second stage, the extracted VOI is further investigated along the coronal and sagittal axis with two different networks and finally, all the estimated masks are fed into the consensus module to produce the final volumetric segmentation of nodule. The proposed approach has been rigorously evaluated on the LIDC dataset, which is the largest publicly available dataset. The result suggests that the approach is significantly robust and accurate as compared to the previous state of the art techniques.
Abstract（参考訳）: 肺結節の正確な定量化は肺癌の早期診断に大いに役立ち、患者の生存可能性を高めることができる。ノジュールのセグメンテーション技術はいくつか提案されているが、既存の技術はすべて放射線科医の3次元利子容積(voi)の入力または使用に依存しており、与えられたvoi内にノジュールボクセルが存在するかを調べるのみである。このようなアプローチは、与えられた VOI の外にある結節の存在を調べる解を抑え、またVOI への冗長構造も含み、不正確な結節分割につながる可能性がある。本研究では,ct肺スキャンにおける結節の3次元分割のための新しい半自動的アプローチを提案する。提案手法は2つの段階に分けられるが,第1段階では根粒を含む2次元roiを入力とし,新しい適応roi戦略を用いて軸軸に沿ってパッチワイズ調査を行う。適応型ROIアルゴリズムにより、周辺スライスに対するROIを動的に選択し、深い残留U-Netアーキテクチャを用いて結節の存在を調べることができる。第1段階は、VOIを抽出するためにさらに利用される結節の初期推定を提供する。第2段階では、抽出されたvoiが2つの異なるネットワークでコロナおよび矢状軸に沿ってさらに調査され、最終的に推定されたマスクは全てコンセンサスモジュールに供給され、結節の体積分節が生成される。提案されたアプローチは、最大の公開データセットであるlidcデータセットで厳格に評価されている。その結果,従来の技術と比較して,アプローチは極めて堅牢で正確であることが示唆された。

関連論文リスト

Deep Learning-Based Channel Squeeze U-Structure for Lung Nodule Detection and Segmentation [7.53596352508181]
本稿では,肺結節の自動検出とセグメンテーションのための新しいディープラーニング手法を提案する。この手法は、感度、Dice類似度係数、精度、および平均結合断面積(IoU)の点で優れた性能を示す。その結果,本手法はコンピュータ支援診断システムの改善に有意な可能性を秘めていることが明らかとなった。
論文参考訳（メタデータ） (2024-09-20T19:47:07Z)
UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep Reinforcement Learning and Overlap Degree Calculation [12.201553863670155]
深部強化学習に基づく大動脈DSA/CTA剛性登録のための教師なし手法UDCRを提案する。アルゴリズム評価のために61組の大動脈DSA/CTAを手動でアノテートした結果,UDCRは平均絶対誤差2.85mm,回転4.35degを達成した。
論文参考訳（メタデータ） (2024-03-09T01:18:32Z)
High-risk Factor Prediction in Lung Cancer Using Thin CT Scans: An Attention-Enhanced Graph Convolutional Network Approach [9.795111455349183]
肺がんは、特に進行期において、世界中で死因となっている。本研究は,術前CT画像に基づいて,I期肺癌に高リスク因子が存在するか否かを分類するために,Atention-Enhanced Graph Convolutional Network (AE-GCN)モデルを提案する。
論文参考訳（メタデータ） (2023-08-27T04:24:04Z)
MESAHA-Net: Multi-Encoders based Self-Adaptive Hard Attention Network with Maximum Intensity Projections for Lung Nodule Segmentation in CT Scan [6.266053305874546]
マルチエンコーダをベースとした自己適応型ハードアテンションネットワーク(MESAHA-Net)をCTスキャンの高精度な肺結節分割のための効率的なエンドツーエンドフレームワークとして提案する。 MESAHA-Netは、肺結節のスライス・バイ・スライス2Dセグメンテーションを反復的に行い、各スライス内の結節領域に着目して肺結節の3Dセグメンテーションを生成する。 LIDC-IDRIデータセットは,肺結節セグメンテーションのための最大公用データセットである。
論文参考訳（メタデータ） (2023-04-04T07:05:15Z)
Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文参考訳（メタデータ） (2022-07-19T16:38:48Z)
Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文参考訳（メタデータ） (2022-06-30T13:04:42Z)
Siamese Encoder-based Spatial-Temporal Mixer for Growth Trend Prediction of Lung Nodules on CT Scans [13.882367716329387]
肺結節の管理においてはCTスキャンの直径変化から, 進展を予測することが望ましい。肺結節の成長傾向予測の性能向上のためには, 連続CTで同じ結節の変化を比較することが不可欠である。
論文参考訳（メタデータ） (2022-06-07T06:44:56Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。