論文の概要: Deep Reinforcement Learning for Organ Localization in CT

• arxiv url: http://arxiv.org/abs/2005.04974v1
• Date: Mon, 11 May 2020 10:06:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:01:13.681979
• Title: Deep Reinforcement Learning for Organ Localization in CT
• Title（参考訳）: CTにおける組織局在の深部強化学習
• Authors: Fernando Navarro, Anjany Sekuboyina, Diana Waldmannstetter, Jan C. Peeken, Stephanie E. Combs and Bjoern H. Menze
• Abstract要約: 我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
• 参考スコア（独自算出の注目度）: 59.23083161858951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust localization of organs in computed tomography scans is a constant pre-processing requirement for organ-specific image retrieval, radiotherapy planning, and interventional image analysis. In contrast to current solutions based on exhaustive search or region proposals, which require large amounts of annotated data, we propose a deep reinforcement learning approach for organ localization in CT. In this work, an artificial agent is actively self-taught to localize organs in CT by learning from its asserts and mistakes. Within the context of reinforcement learning, we propose a novel set of actions tailored for organ localization in CT. Our method can use as a plug-and-play module for localizing any organ of interest. We evaluate the proposed solution on the public VISCERAL dataset containing CT scans with varying fields of view and multiple organs. We achieved an overall intersection over union of 0.63, an absolute median wall distance of 2.25 mm, and a median distance between centroids of 3.65 mm.
• Abstract（参考訳）: ctスキャンにおける臓器のロバストな局在は、臓器特異的画像検索、放射線治療計画、および介入画像解析のための常に前処理要件である。 大量のアノテートデータを必要とする全領域探索や領域提案に基づく現在のソリューションとは対照的に,CTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 強化学習の文脈において,CTにおける臓器局所化に適した新しいアクションセットを提案する。 本手法は任意の臓器をローカライズするためのプラグアンドプレイモジュールとして使用できる。 様々な視野と複数の臓器を有するCTスキャンを含むパブリックVISCERALデータセット上で,提案手法の評価を行った。 我々は0.63、絶対中央壁距離2.25mm、中心壁距離3.65mmの全体交点を達成した。

関連論文リスト

• CTARR: A fast and robust method for identifying anatomical regions on CT images via atlas registration [0.09130220606101362]
  我々はCT解剖学的領域認識のための新しい汎用手法であるCTARRを紹介する。 この方法は、ディープラーニングベースのCT画像解析パイプラインの事前処理ステップとして機能する。 提案手法は, アトラス登録に基づいて, 無ラベルCTスキャンから1つまたは複数の境界ボックスとして符号化された解剖学的領域を抽出する高速かつ堅牢な方法を提供する。
  論文  参考訳（メタデータ） (2024-10-03T08:52:21Z)
• AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
  自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。 提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
  論文  参考訳（メタデータ） (2023-10-07T03:22:06Z)
• Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
  我々は,CT画像からの多視点椎体局在と同定を提案する。 本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。 本手法は,多視点グローバル情報を自然に学習することができる。
  論文  参考訳（メタデータ） (2023-07-24T14:43:07Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• 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)
• Organ localisation using supervised and semi supervised approaches combining reinforcement learning with imitation learning [6.198237241838559]
  コンピュータ支援診断は、しばしば放射線検査における関心領域の分析を必要とする。 ディープラーニングアルゴリズムは、大量の注釈付きデータの可用性に依存している。 この制限に対処する必要性から、複数の臓器の局在化と検出へのアプローチが提示される。
  論文  参考訳（メタデータ） (2021-12-06T14:04:38Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。