論文の概要: Organ at Risk Segmentation for Head and Neck Cancer using Stratified
Learning and Neural Architecture Search
- arxiv url: http://arxiv.org/abs/2004.08426v1
- Date: Fri, 17 Apr 2020 19:15:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 13:35:46.488395
- Title: Organ at Risk Segmentation for Head and Neck Cancer using Stratified
Learning and Neural Architecture Search
- Title（参考訳）: 階層的学習とニューラルアーキテクチャー検索を用いた頭頸部癌のリスクセグメンテーション
- Authors: Dazhou Guo, Dakai Jin, Zhuotun Zhu, Tsung-Ying Ho, Adam P. Harrison,
Chun-Hung Chao, Jing Xiao, Alan Yuille, Chien-Yu Lin, Le Lu
- Abstract要約: リスクセグメンテーション(SOARS)は、OARをアンカーレベル、中間レベル、小規模、ハードカテゴリに分類するアプローチである。
特に、アンカーOARは中級とS&Hカテゴリーのガイドに使用される。
我々は2D、3DまたはPseudo-3Dカテゴリを選択するために、微分可能なニューラルネットワークサーチ(NAS)を用いる。
- 参考スコア（独自算出の注目度）: 21.95171310651385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: OAR segmentation is a critical step in radiotherapy of head and neck (H&N)
cancer, where inconsistencies across radiation oncologists and prohibitive
labor costs motivate automated approaches. However, leading methods using
standard fully convolutional network workflows that are challenged when the
number of OARs becomes large, e.g. > 40. For such scenarios, insights can be
gained from the stratification approaches seen in manual clinical OAR
delineation. This is the goal of our work, where we introduce stratified organ
at risk segmentation (SOARS), an approach that stratifies OARs into anchor,
mid-level, and small & hard (S&H) categories. SOARS stratifies across two
dimensions. The first dimension is that distinct processing pipelines are used
for each OAR category. In particular, inspired by clinical practices, anchor
OARs are used to guide the mid-level and S&H categories. The second dimension
is that distinct network architectures are used to manage the significant
contrast, size, and anatomy variations between different OARs. We use
differentiable neural architecture search (NAS), allowing the network to choose
among 2D, 3D or Pseudo-3D convolutions. Extensive 4-fold cross-validation on
142 H&N cancer patients with 42 manually labeled OARs, the most comprehensive
OAR dataset to date, demonstrates that both pipeline- and NAS-stratification
significantly improves quantitative performance over the state-of-the-art (from
69.52% to 73.68% in absolute Dice scores). Thus, SOARS provides a powerful and
principled means to manage the highly complex segmentation space of OARs.
- Abstract（参考訳）: OARセグメンテーション(OAR segmentation)は頭頸部癌(H&N)の放射線治療において重要なステップである。
しかし、標準の完全畳み込みネットワークワークフローを使用するリードメソッドは、例えば 40 以上の oar 数が大きくなると問題となる。
このようなシナリオでは、手動臨床のOAR記述に見られる階層化アプローチから洞察を得ることができる。
これは、リスクセグメンテーション(SOARS)において、OARをアンカー、ミドルレベル、およびスモール&ハード(S&H)カテゴリに階層化するアプローチを導入するという、私たちの仕事の目標です。
SOARSは2つの次元にまたがる。
第1の次元は、OARカテゴリ毎に異なる処理パイプラインが使用されることです。
特に、臨床実践にインスパイアされたアンカーOARは、中級およびS&Hカテゴリーのガイドに使用される。
第2の次元は、異なるネットワークアーキテクチャを使用して、異なるOAR間の大きなコントラスト、サイズ、解剖学的バリエーションを管理することである。
微分可能なニューラルネットワーク検索(nas)を使用して,ネットワークが2d,3d,あるいは疑似3dの畳み込みを選択できるようにする。
これまでに最も包括的なoarデータセットである42の手動ラベル付きoarを持つ142のh&n癌患者に対する4倍のクロスバリデーションは、パイプライン層とnas層の両方が最先端(絶対値の69.52%から73.68%)の定量的パフォーマンスを大幅に改善していることを示している。
したがって、SOARSはOARの非常に複雑なセグメンテーション空間を管理するための強力で原則化された手段を提供します。
関連論文リスト
- Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。
この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。
セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
論文 参考訳（メタデータ） (2024-04-16T17:38:26Z) - MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。
本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。
特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
論文 参考訳（メタデータ） (2023-11-17T03:33:09Z) - Comparing Adversarial and Supervised Learning for Organs at Risk
Segmentation in CT images [0.0]
放射線治療ワークフローの重要な構成要素は、CTスキャンからのOrgan at Risk (OAR)セグメンテーションである。
本稿では,GAN(Generative Adversarial Networks)の性能について,CT画像からOARをセグメント化するための教師付き学習手法と比較して検討する。
結果は非常に有望であり、提案されたGANベースのアプローチがCNNベースのアプローチと似ているか、あるいは優れていることを示している。
論文 参考訳（メタデータ） (2023-03-31T10:10:05Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - 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) - Comprehensive and Clinically Accurate Head and Neck Organs at Risk
Delineation via Stratified Deep Learning: A Large-scale Multi-Institutional
Study [21.998625549311072]
本稿では,ディープラーニングを用いた新しい,自動化された,高効率なOARセグメンテーションシステムを提案する。
SOARSは42のOARを、アンカー、ミドルレベル、そして小さな、ハードサブカテゴリに分類する。
それぞれの機関評価において、Diceスコアの少なくとも35%は、他の最先端の手法よりも一貫して優れていた。
論文 参考訳（メタデータ） (2021-11-01T07:13:01Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳（メタデータ） (2021-04-05T04:45:31Z) - Automatic Segmentation of Organs-at-Risk from Head-and-Neck CT using
Separable Convolutional Neural Network with Hard-Region-Weighted Loss [10.93840864507459]
鼻咽頭癌 (Nasopharyngeal Carcinoma, NPC) は, 北極, 中国, 東南アジア, 中東/北アフリカにおける頭頸部癌(HAN)の進行型である。
不確実性のあるCT画像からのOrgans-at-Risk(OAR)の正確なセグメンテーションは、NPC治療のための放射線治療を効果的に計画するために重要である。
本稿では,信頼性の高い不確実性推定を伴う高精度OARセグメンテーションのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-03T06:31:38Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳（メタデータ） (2020-05-27T23:12:11Z) - 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)
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。