論文の概要: A Cross-Stitch Architecture for Joint Registration and Segmentation in Adaptive Radiotherapy

• arxiv url: http://arxiv.org/abs/2004.08122v1
• Date: Fri, 17 Apr 2020 08:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:44:55.709137
• Title: A Cross-Stitch Architecture for Joint Registration and Segmentation in Adaptive Radiotherapy
• Title（参考訳）: 適応的放射線治療における統合登録と分割のためのクロスピッチアーキテクチャ
• Authors: Laurens Beljaards, Mohamed S. Elmahdy, Fons Verbeek, Marius Staring
• Abstract要約: 本稿では,画像間のセグメンテーション伝搬を統合した登録ネットワークと,セグメンテーションを直接予測するセグメンテーションネットワークを提案する。 これらのネットワークは、いわゆるクロススティッチユニットを介して単一のジョイントアーキテクチャに接続される。 前立腺CT画像を用いた適応的画像誘導放射線療法の文脈で評価した。
• 参考スコア（独自算出の注目度）: 1.433758865948252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, joint registration and segmentation has been formulated in a deep learning setting, by the definition of joint loss functions. In this work, we investigate joining these tasks at the architectural level. We propose a registration network that integrates segmentation propagation between images, and a segmentation network to predict the segmentation directly. These networks are connected into a single joint architecture via so-called cross-stitch units, allowing information to be exchanged between the tasks in a learnable manner. The proposed method is evaluated in the context of adaptive image-guided radiotherapy, using daily prostate CT imaging. Two datasets from different institutes and manufacturers were involved in the study. The first dataset was used for training (12 patients) and validation (6 patients), while the second dataset was used as an independent test set (14 patients). In terms of mean surface distance, our approach achieved $1.06 \pm 0.3$ mm, $0.91 \pm 0.4$ mm, $1.27 \pm 0.4$ mm, and $1.76 \pm 0.8$ mm on the validation set and $1.82 \pm 2.4$ mm, $2.45 \pm 2.4$ mm, $2.45 \pm 5.0$ mm, and $2.57 \pm 2.3$ mm on the test set for the prostate, bladder, seminal vesicles, and rectum, respectively. The proposed multi-task network outperformed single-task networks, as well as a network only joined through the loss function, thus demonstrating the capability to leverage the individual strengths of the segmentation and registration tasks. The obtained performance as well as the inference speed make this a promising candidate for daily re-contouring in adaptive radiotherapy, potentially reducing treatment-related side effects and improving quality-of-life after treatment.
• Abstract（参考訳）: 近年,共同登録とセグメンテーションは,共同損失関数の定義により深層学習環境において定式化されている。 本研究では,これらのタスクのアーキテクチャレベルでの参加について検討する。 本稿では,画像間のセグメンテーション伝搬とセグメンテーションネットワークを統合し,セグメンテーションを直接予測する登録ネットワークを提案する。 これらのネットワークは、いわゆるクロススティッチユニットを介して単一のジョイントアーキテクチャに接続され、タスク間の情報を学習可能な方法で交換することができる。 提案手法は,毎日の前立腺ct画像を用いて適応的画像誘導放射線治療の文脈で評価した。 異なる研究所や製造業者による2つのデータセットが研究に関与した。 第1のデータセットはトレーニング(12の患者)と検証(6の患者)、第2のデータセットは独立したテストセット(14の患者)として使用された。 平均表面距離は1.06 pm 0.3$ mm,$0.91 pm 0.4$ mm, $1.27 pm 0.4$ mm, $1.76 pm 0.8$ mm, $1.82 pm 2.4$ mm, $2.45 pm 2.4$ mm, $2.45 pm 5.0$ mm, $2.57 pm 2.3$ mm, それぞれ前立腺, 膀胱, 精巣および直腸の試験セットで達成した。 提案したマルチタスクネットワークは単一タスクネットワークよりも優れており、ネットワークは損失関数を介してのみ結合し、セグメント化と登録タスクの個々の強みを活用する能力を示す。 得られた性能および推論速度は、適応放射線療法における日常的再検査の候補となり、治療関連副作用を低減し、治療後のQOLを改善する可能性がある。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Localizing Anomalies via Multiscale Score Matching Analysis [13.898576482792173]
  本稿では,脳MRIにおける異常局所化のための新しい教師なし手法であるSpatial-MSMAを紹介する。 パッチ位置とグローバル画像の特徴を条件としたフレキシブルな正規化フローモデルを用いて、パッチワイド異常スコアを推定する。 この方法は、通常発達している幼児の1,650T1およびT2重み付き脳MRIのデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-28T17:57:12Z)
• 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)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Joint Registration and Segmentation via Multi-Task Learning for Adaptive Radiotherapy of Prostate Cancer [3.0929226049096217]
  マルチタスク学習設定による共同問題として登録とセグメンテーションを定式化する。 このアプローチは、前立腺癌に対する適応画像誘導放射線療法の文脈で検討する。
  論文  参考訳（メタデータ） (2021-05-05T02:45:49Z)
• Using spatial-temporal ensembles of convolutional neural networks for lumen segmentation in ureteroscopy [11.457020223521605]
  本稿では,畳み込みニューラルネットワーク(CNN)に基づく自動手法を提案する。 提案手法は4つの並列CNNのアンサンブルに基づいて,単一および複数フレーム情報を同時に処理する。
  論文  参考訳（メタデータ） (2021-04-05T16:24:32Z)
• ARPM-net: A novel CNN-based adversarial method with Markov Random Field enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
  本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。 MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。 モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
  論文  参考訳（メタデータ） (2020-08-11T02:40:53Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
  本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。 マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。 本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
  論文  参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。