Fugu-MT 論文翻訳(概要): Technical report: Kidney tumor segmentation using a 2D U-Net followed by a statistical post-processing filter

論文の概要: Technical report: Kidney tumor segmentation using a 2D U-Net followed by a statistical post-processing filter

arxiv url: http://arxiv.org/abs/2002.10727v1
Date: Tue, 25 Feb 2020 08:25:33 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 22:04:20.276638
Title: Technical report: Kidney tumor segmentation using a 2D U-Net followed by a statistical post-processing filter
Title（参考訳）: 2次元u-netを用いた腎腫瘍の分画と統計的後処理フィルター
Authors: Iwan Paolucci
Abstract要約: 毎年約40万人が腎がんに罹患し、175万人が死亡した。臨床的には腫瘍の形態計測を理解することが重要である。本稿では,一般的なU-Net畳み込みニューラルネットワークアーキテクチャと後処理を組み合わせたセグメンテーション手法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Each year, there are about 400'000 new cases of kidney cancer worldwide causing around 175'000 deaths. For clinical decision making it is important to understand the morphometry of the tumor, which involves the time-consuming task of delineating tumor and kidney in 3D CT images. Automatic segmentation could be an important tool for clinicians and researchers to also study the correlations between tumor morphometry and clinical outcomes. We present a segmentation method which combines the popular U-Net convolutional neural network architecture with post-processing based on statistical constraints of the available training data. The full implementation, based on PyTorch, and the trained weights can be found on GitHub.
Abstract（参考訳）: 毎年、世界で約400人の腎臓がんが新たに発生し、約175万人が死亡している。 3dct画像における腫瘍と腎臓の脱線に要する時間のかかる作業である腫瘍の形態計測を理解することが臨床的に重要である。自動セグメンテーションは臨床医や研究者にとって、腫瘍形態計測と臨床結果との相関を研究する上で重要なツールとなる。本稿では,一般的なu-net畳み込みニューラルネットワークアーキテクチャと,利用可能なトレーニングデータの統計的制約に基づく後処理を組み合わせたセグメント化手法を提案する。 PyTorchをベースとした完全な実装と、トレーニングされた重み付けはGitHubで見ることができる。

関連論文リスト

Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文参考訳（メタデータ） (2024-05-07T05:55:50Z)
Investigating certain choices of CNN configurations for brain lesion segmentation [5.148195106469231]
深層学習モデル、特にCNNは、脳腫瘍セグメンテーションを含む医療画像解析の多くの応用において、選択の方法論となっている。我々はMRIを用いた脳腫瘍セグメント化の特定の課題に対するCNNモデルの主設計側面について検討した。
論文参考訳（メタデータ） (2022-12-02T15:24:44Z)
Integrative Imaging Informatics for Cancer Research: Workflow Automation for Neuro-oncology (I3CR-WANO) [0.12175619840081271]
我々は,多系列ニューロオンコロジーMRIデータの集約と処理のための人工知能ベースのソリューションを提案する。エンド・ツー・エンドのフレームワーク i) アンサンブル分類器を用いてMRIの配列を分類し, i) 再現可能な方法でデータを前処理し, iv) 腫瘍組織サブタイプを規定する。欠落したシーケンスに対して堅牢であり、専門的なループアプローチを採用しており、セグメンテーションの結果は放射線学者によって手動で洗練される可能性がある。
論文参考訳（メタデータ） (2022-10-06T18:23:42Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文参考訳（メタデータ） (2021-05-20T18:13:58Z)
HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation [17.756591105686]
本稿では,3次元重み付き畳み込み層を積み重ねることで,マルチスケール情報を取得するハイパーデンスインセプション3D UNet(HI-Net)を提案する。 BRATS 2020テストセットの予備結果は、提案されたアプローチにより、ET、WT、TCのダイス(DSC)スコアがそれぞれ0.79457、0.87494、0.83712であることを示しています。
論文参考訳（メタデータ） (2020-12-12T09:09:04Z)
Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
論文参考訳（メタデータ） (2020-10-30T14:36:10Z)
Multi-Scale Supervised 3D U-Net for Kidneys and Kidney Tumor Segmentation [0.8397730500554047]
腎腫瘍と腎腫瘍をCT画像から自動的に分離するマルチスケール3D U-Net(MSS U-Net)を提案する。我々のアーキテクチャは、3次元U-Netトレーニング効率を高めるために、深い監視と指数対数損失を組み合わせる。このアーキテクチャは、KiTS19パブリックデータセットのデータを使用した最先端の作業と比較して、優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2020-04-17T08:25:43Z)
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)

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。