論文の概要: Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation

• arxiv url: http://arxiv.org/abs/2001.08590v1
• Date: Thu, 23 Jan 2020 15:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 13:03:31.218114
• Title: Weakly-Supervised Lesion Segmentation on CT Scans using Co-Segmentation
• Title（参考訳）: Co-Segmentation を用いたCTスキャンの弱い修正病変分割
• Authors: Vatsal Agarwal, Youbao Tang, Jing Xiao, Ronald M. Summers
• Abstract要約: CTスキャンにおける病変分割は,病変・腫瘍の進展を正確に観察するための重要なステップである。 現在の慣行は、固形腫瘍の反応評価基準と呼ばれる不正確な代用に依存している。 本稿では,畳み込みニューラルネットワークを用いた弱教師付き病変分割法を提案する。
• 参考スコア（独自算出の注目度）: 18.58056402884405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lesion segmentation on computed tomography (CT) scans is an important step for precisely monitoring changes in lesion/tumor growth. This task, however, is very challenging since manual segmentation is prohibitively time-consuming, expensive, and requires professional knowledge. Current practices rely on an imprecise substitute called response evaluation criteria in solid tumors (RECIST). Although these markers lack detailed information about the lesion regions, they are commonly found in hospitals' picture archiving and communication systems (PACS). Thus, these markers have the potential to serve as a powerful source of weak-supervision for 2D lesion segmentation. To approach this problem, this paper proposes a convolutional neural network (CNN) based weakly-supervised lesion segmentation method, which first generates the initial lesion masks from the RECIST measurements and then utilizes co-segmentation to leverage lesion similarities and refine the initial masks. In this work, an attention-based co-segmentation model is adopted due to its ability to learn more discriminative features from a pair of images. Experimental results on the NIH DeepLesion dataset demonstrate that the proposed co-segmentation approach significantly improves lesion segmentation performance, e.g the Dice score increases about 4.0% (from 85.8% to 89.8%).
• Abstract（参考訳）: CTスキャンにおける病変分割は病変・腫瘍の進展を正確に観察するための重要なステップである。 しかし、手作業のセグメンテーションは極めて時間がかかり、高価であり、専門的な知識を必要とするため、この作業は非常に難しい。 現在のプラクティスは、固形腫瘍(RECIST)の反応評価基準と呼ばれる不正確な代用に依存している。 これらのマーカーは病変領域の詳細情報を欠いているが、病院の画像アーカイブ・コミュニケーションシステム(PACS)でよく見られる。 したがって、これらのマーカーは2d病変のセグメンテーションの弱いスーパービジョンの強力な源となる可能性がある。 そこで本研究では,まず直腸計測値から最初の病変マスクを生成し,その後に共同セグメンテーションを用いて病変類似性を活用し,初期マスクを洗練する畳み込みニューラルネットワーク(cnn)を提案する。 本研究では,一対の画像からより識別的な特徴を学習する能力から,注目に基づくコセグメンテーションモデルを採用する。 NIH DeepLesionデータセットによる実験結果から,提案手法により病変のセグメンテーション性能が有意に向上し,Diceスコアは約4.0%(85.8%から89.8%)向上した。

関連論文リスト

• An Attention Based Pipeline for Identifying Pre-Cancer Lesions in Head and Neck Clinical Images [1.0957311485487375]
  頭頸部癌は外科生検後に専門病院で診断されるが、診断が遅れる可能性がある。 疑わしい病変,分節を同定し,非異形成性,異形成性,癌性病変に分類するアテンションベースパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-05-03T09:02:17Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
  本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。 我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。 非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
  論文  参考訳（メタデータ） (2022-11-10T00:04:46Z)
• Weakly-Supervised Universal Lesion Segmentation with Regional Level Set Loss [16.80758525711538]
  高分解能ネットワーク(HRNet)に基づく新しい弱監督ユニバーサル病変分割法を提案する。 AHRNetはデコーダ、デュアルアテンション、スケールアテンション機構を含む高度な高解像度のディープイメージ機能を提供する。 本手法は,公開大規模deeplesionデータセットとホールドアウトテストセットにおいて,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-05-03T23:33:37Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)
• Weakly Supervised Lesion Co-segmentation on CT Scans [18.58056402884405]
  本稿では、まずRECISTスライスから擬似マスクを生成する弱教師付きコセグメンテーションモデルを提案する。 次に、これらを注意に基づく畳み込みニューラルネットワークのトレーニングラベルとして使用し、一対のCTスキャンから共通の病変を分割する。
  論文  参考訳（メタデータ） (2020-01-24T19:39:33Z)
• Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks [0.0]
  本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。 U-Net様アーキテクチャを用いて40例の臨床検査を行った。 専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
  論文  参考訳（メタデータ） (2020-01-08T10:59:31Z)

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。